Bewertung:
Das Buch bietet eine gründliche Einführung in das überwachte Lernen und kombiniert theoretische Erkenntnisse mit praktischen Beispielen und R-Skripten. Einige Rezensenten sind jedoch unzufrieden, weisen auf Tippfehler hin und behaupten, dass das Buch kein effektives Lernen ermöglicht.
Vorteile:⬤ Gute theoretische Tiefe
⬤ praktische Beispiele mit R-Skripten
⬤ effektive Illustrationen und Diagramme
⬤ entworfen, um Menschen zu helfen, maschinelles Lernen zu lernen.
⬤ Zahlreiche Tippfehler
⬤ einige Rezensenten sind der Meinung, dass es das Lernen nicht erleichtert
⬤ gemischte Gesamtwirksamkeit.
(basierend auf 4 Leserbewertungen)
Machine Learning: A Practical Approach on the Statistical Learning Theory
In diesem Buch wird die statistische Lerntheorie anhand von praktischen Beispielen, Algorithmen und Quellcodes detailliert und leicht verständlich dargestellt. Es kann als Lehrbuch in Graduierten- oder Grundkursen, für Selbstlerner oder als Referenz für die wichtigsten theoretischen Konzepte des maschinellen Lernens verwendet werden. Grundlegende Konzepte der linearen Algebra und der Optimierung, die auf das maschinelle Lernen angewendet werden, sind ebenso enthalten wie Quellcodes in R, wodurch das Buch so eigenständig wie möglich ist.
Das Buch beginnt mit einer Einführung in die Konzepte und Algorithmen des maschinellen Lernens, wie z.B. Perceptron, Multilayer Perceptron und Distance-Weighted Nearest Neighbors, mit Beispielen, um die notwendigen Grundlagen zu schaffen, damit der Leser in der Lage ist, das Bias-Variance-Dilemma zu verstehen, das der zentrale Punkt der statistischen Lerntheorie ist.
Anschließend stellen wir alle Annahmen vor und formalisieren die statistische Lerntheorie, um die praktische Untersuchung verschiedener Klassifizierungsalgorithmen zu ermöglichen. Dann fahren wir mit Konzentrationsungleichungen fort, bis wir zur Generalisierung und den Large-Margin-Grenzen kommen, die die Hauptmotivation für die Support Vector Machines darstellen.
Darauf aufbauend werden alle notwendigen Optimierungskonzepte im Zusammenhang mit der Implementierung von Support Vector Machines vorgestellt. Das Buch schließt mit einer Diskussion über SVM-Kernel als Mittel und Motivation zur Untersuchung von Datenräumen und zur Verbesserung von Klassifizierungsergebnissen, um einen weiteren Entwicklungsschritt zu ermöglichen.
| ISBN: | 9783319949888 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2018 |
| Seitenzahl: | 362 |
Derzeit verfügbar, auf Lager.
