Bewertung:
Das Buch wird weithin als eine der besten Ressourcen für maschinelles Lernen angesehen und für seine umfassende Abdeckung, mathematische Strenge und aufschlussreichen Erklärungen gelobt. Es wurde jedoch wegen typografischer Fehler, organisatorischer Probleme und unterschiedlicher Schreibqualität in den einzelnen Kapiteln kritisiert, wodurch es für Anfänger weniger geeignet ist.
Vorteile:⬤ Reichhaltiger Inhalt und umfassende Abdeckung von Themen des maschinellen Lernens, einschließlich fortgeschrittener Techniken.
⬤ Aufschlussreiche Erklärungen, die helfen, die Konzepte zu verstehen.
⬤ Gut organisierte, ausführliche Behandlung probabilistischer Ansätze.
⬤ Die begleitende Software ist nützlich und verbessert das Verständnis.
⬤ Gut für erfahrene Lernende und Forscher, die ein Nachschlagewerk suchen.
⬤ Zahlreiche typografische und technische Fehler, von denen einige so schwerwiegend sind, dass sie das Verständnis erschweren.
⬤ Organisatorische Probleme, die das Verstehen des Textes erschweren können, mit Verweisen auf zukünftige Kapitel, die den Leser verwirren können.
⬤ Uneinheitliche Schreibqualität in den verschiedenen Kapiteln.
⬤ Einige Beschreibungen sind zu abstrakt, so dass auf externe Quellen zurückgegriffen werden muss.
⬤ Nicht als primäre Lernressource für Anfänger zu empfehlen.
(basierend auf 162 Leserbewertungen)
The Machine Learning: A Probabilistic Perspective
Eine umfassende Einführung in das maschinelle Lernen, die probabilistische Modelle und Schlussfolgerungen als vereinheitlichenden Ansatz verwendet.
Die heutige webgestützte Flut elektronischer Daten erfordert automatisierte Methoden der Datenanalyse. Das maschinelle Lernen stellt diese zur Verfügung, indem es Methoden entwickelt, die automatisch Muster in Daten erkennen und dann die aufgedeckten Muster zur Vorhersage zukünftiger Daten verwenden können. Dieses Lehrbuch bietet eine umfassende und in sich geschlossene Einführung in das Gebiet des maschinellen Lernens, basierend auf einem einheitlichen, probabilistischen Ansatz.
Das Buch kombiniert Breite und Tiefe und bietet notwendiges Hintergrundmaterial zu Themen wie Wahrscheinlichkeit, Optimierung und linearer Algebra sowie eine Diskussion der jüngsten Entwicklungen auf diesem Gebiet, einschließlich bedingter Zufallsfelder, L1-Regularisierung und Deep Learning. Das Buch ist in einem informellen, leicht zugänglichen Stil geschrieben, komplett mit Pseudocode für die wichtigsten Algorithmen. Alle Themen sind reichlich mit Farbbildern und Beispielen aus Anwendungsbereichen wie Biologie, Textverarbeitung, Computer Vision und Robotik illustriert. Anstatt ein Kochbuch mit verschiedenen heuristischen Methoden zu liefern, legt das Buch den Schwerpunkt auf einen prinzipiellen modellbasierten Ansatz, bei dem häufig die Sprache der grafischen Modelle verwendet wird, um Modelle auf prägnante und intuitive Weise zu spezifizieren. Fast alle beschriebenen Modelle wurden in einem MATLAB-Softwarepaket - PMTK (Probabilistic Modeling Toolkit) - implementiert, das online frei verfügbar ist. Das Buch eignet sich für Studenten der Oberstufe mit einführenden mathematischen Kenntnissen und für angehende Doktoranden.
| ISBN: | 9780262018029 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2012 |
| Seitenzahl: | 1104 |
Derzeit verfügbar, auf Lager.
