Leserbewertungen
Zusammenfassung:Das Buch wird als umfassende Ressource für maschinelles Lernen, insbesondere aus der Bayes'schen Perspektive, mit klaren Diagrammen und einem rigorosen Ansatz sehr geschätzt. Allerdings wird es wegen der mangelnden Klarheit einiger Ableitungen kritisiert, und einige Leser finden es zu mathematisch, was es als Einführungstext weniger geeignet macht.
Vorteile:⬤ Umfassende Abdeckung von Themen des maschinellen Lernens, insbesondere Bayes'sche Methoden
⬤ klare und prägnante Diagramme
⬤ geeignet für Graduiertenkurse
⬤ hochwertiger Druck
⬤ gründliche Erklärungen
⬤ wertvolles Nachschlagewerk für fortgeschrittene Konzepte und jüngste Fortschritte auf diesem Gebiet.
⬤ Mangelnde Klarheit in einigen mathematischen Ableitungen
⬤ nicht so benutzerfreundlich für Anfänger
⬤ einige Themen werden möglicherweise nicht in der Tiefe behandelt
⬤ begrenzte Verwendung von Farbe in Diagrammen
⬤ potentiell verwirrende Struktur im Vergleich zu anderen populären Texten.
(basierend auf 12 Leserbewertungen)
Originaltitel:
Machine Learning - A Bayesian and Optimization Perspective
Inhalt des Buches:
Maschinelles Lernen: A Bayesian and Optimization Perspective, Second Edition bietet eine vereinheitlichende Perspektive auf maschinelles Lernen, indem es sowohl probabilistische als auch deterministische Ansätze abdeckt, die auf Optimierungstechniken in Kombination mit dem Bayes'schen Inferenzansatz basieren. Das Buch geht von den grundlegenden klassischen Methoden bis hin zu den neuesten Trends und eignet sich daher für verschiedene Kurse, darunter Mustererkennung, statistische/adaptive Signalverarbeitung und statistisches/ Bayes'sches Lernen, sowie für Kurzkurse über Sparse Modeling, Deep Learning und probabilistische grafische Modelle. Darüber hinaus werden wichtige Methoden des maschinellen Lernens behandelt, die in verschiedenen Disziplinen wie Statistik, statistische und adaptive Signalverarbeitung und Informatik entwickelt wurden.
Mit dem Schwerpunkt auf der physikalischen Logik hinter der Mathematik werden alle verschiedenen Methoden und Techniken ausführlich erklärt und durch Beispiele und Probleme unterstützt, was sowohl für Studenten als auch für Forscher eine unschätzbare Ressource für das Verständnis und die Anwendung von Konzepten des maschinellen Lernens darstellt.
Diese aktualisierte Ausgabe enthält viele weitere einfache Beispiele zur Grundlagentheorie, eine vollständige Neufassung des Kapitels über Neuronale Netze und Deep Learning sowie eine erweiterte Behandlung des Bayes'schen Lernens, einschließlich des nichtparametrischen Bayes'schen Lernens.
⬤ Präsentiert die physikalischen Überlegungen, die mathematische Modellierung und die algorithmische Implementierung jeder Methode.
⬤ Aktuelle Informationen zu den neuesten Trends, einschließlich Sparsity, konvexe Analyse und Optimierung, verteilte Online-Algorithmen, Lernen in RKH-Räumen, Bayes'sche Inferenz, grafische und versteckte Markov-Modelle, Partikelfilterung, Deep Learning, Lernen mit Wörterbüchern und Modellierung latenter Variablen.
⬤ Bietet Fallstudien zu einer Vielzahl von Themen, einschließlich der Vorhersage der Proteinfaltung, der optischen Zeichenerkennung, der Identifizierung von Textautoren, der Analyse von fMRI-Daten, der Erkennung von Veränderungspunkten, der Entmischung hyperspektraler Bilder, der Lokalisierung von Zielen und mehr.
Weitere Daten des Buches:
| ISBN: | 9780128188033 |
| Autor: | |
| Verlag: | |
| Untertitel: | A Bayesian and Optimization Perspective |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 1160 |
Kauf:
Derzeit verfügbar, auf Lager.
