Bewertung:
Das Buch über Gaußsche Prozesse (GP) hat gemischte Kritiken erhalten. Viele loben seine Klarheit, Tiefe und Relevanz für das maschinelle Lernen, während einige den Mangel an Übersichtlichkeit und Tiefe kritisieren.
Vorteile:⬤ Klare und prägnante Erklärungen
⬤ wertvoll im Kontext des maschinellen Lernens
⬤ gut strukturierte Kapitel
⬤ ausgezeichnete Referenz für die Forschung
⬤ enthält gute Verbindungen zwischen GP und anderen Methoden wie SVM
⬤ hochwertiger Einband
⬤ günstiger Preis.
⬤ Nicht in sich geschlossen, fehlende Definitionen für einige Begriffe
⬤ von einigen als zu wenig tiefgründig und inhaltlich angesehen
⬤ Erklärungen können als zu vereinfachend oder zirkulär erscheinen
⬤ einige Beschwerden über die Verpackung.
(basierend auf 18 Leserbewertungen)
Gaussian Processes for Machine Learning
Eine umfassende und in sich geschlossene Einführung in die Gaußschen Prozesse, die einen prinzipiellen, praktischen, probabilistischen Ansatz für das Lernen in Kernel-Maschinen bieten.
Gaußsche Prozesse (GPs) bieten einen prinzipiellen, praktischen, probabilistischen Ansatz für das Lernen in Kernel-Maschinen. GPs haben in den letzten zehn Jahren in der Gemeinschaft des maschinellen Lernens zunehmende Beachtung gefunden, und dieses Buch bietet eine seit langem benötigte systematische und einheitliche Behandlung der theoretischen und praktischen Aspekte von GPs im maschinellen Lernen. Das Buch ist umfassend und in sich geschlossen und richtet sich an Forscher und Studenten des maschinellen Lernens und der angewandten Statistik. Das Buch behandelt das Problem des überwachten Lernens sowohl für Regression als auch für Klassifikation und enthält detaillierte Algorithmen. Es wird eine Vielzahl von Kovarianzfunktionen (Kernel) vorgestellt und ihre Eigenschaften diskutiert. Die Modellauswahl wird sowohl aus einer Bayes'schen als auch aus einer klassischen Perspektive diskutiert. Es werden viele Verbindungen zu anderen bekannten Techniken des maschinellen Lernens und der Statistik erörtert, darunter Support-Vektor-Maschinen, neuronale Netze, Splines, Regularisierungsnetze, Relevanz-Vektor-Maschinen und andere. Theoretische Fragen wie Lernkurven und der PAC-Bayesianische Rahmen werden behandelt, und es werden verschiedene Approximationsmethoden für das Lernen mit großen Datensätzen diskutiert. Das Buch enthält anschauliche Beispiele und Übungen, und Code und Datensätze sind im Internet verfügbar.
Die Anhänge enthalten mathematische Hintergrundinformationen und eine Diskussion über Gaußsche Markov-Prozesse.
| ISBN: | 9780262182539 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2005 |
| Seitenzahl: | 272 |
Derzeit verfügbar, auf Lager.
