Bewertung:
Das Buch wird weithin als umfassende und gut strukturierte Quelle für das Verständnis des maschinellen Lernens, insbesondere der probabilistischen ML, gelobt. Rezensenten schätzen den ansprechenden Schreibstil, die Klarheit und die Tiefe des Inhalts. Allerdings haben mehrere Nutzer über Probleme mit der physischen Qualität des Buches berichtet, einschließlich Schäden bei der Lieferung und schlechter Papierqualität.
Vorteile:⬤ Umfassende Abdeckung von Themen des maschinellen Lernens.
⬤ Fesselnde und intuitive Erklärungen komplexer Konzepte.
⬤ Nützlich sowohl für Anfänger als auch für Fortgeschrittene.
⬤ Wertvolle Quelle für das Verständnis der ML-Theorie und der jüngsten Fortschritte.
⬤ Empfehlenswert für alle, die sich mit anspruchsvoller ML-Literatur und -Forschung beschäftigen wollen.
⬤ Häufige Probleme mit der physischen Buchqualität, einschließlich zerrissener Einbände und beschädigter Buchrücken.
⬤ Einige Unzufriedenheit mit der Druck- und Papierqualität für den Preis.
⬤ Keine Lösungen für die Übungen, was einige Leser enttäuschte.
⬤ Berichte über mangelhafte Exemplare, die zu negativen Kauferfahrungen führten.
(basierend auf 40 Leserbewertungen)
Probabilistic Machine Learning: An Introduction
Eine detaillierte und aktuelle Einführung in das maschinelle Lernen, dargestellt durch die vereinheitlichende Linse der probabilistischen Modellierung und der Bayes'schen Entscheidungstheorie.
Dieses Buch bietet eine detaillierte und aktuelle Einführung in das maschinelle Lernen (einschließlich Deep Learning) durch die vereinheitlichende Linse der probabilistischen Modellierung und der Bayes'schen Entscheidungstheorie. Das Buch behandelt den mathematischen Hintergrund (einschließlich linearer Algebra und Optimierung), grundlegende überwachte Lernverfahren (einschließlich linearer und logistischer Regression und tiefer neuronaler Netze) sowie fortgeschrittenere Themen (einschließlich Transferlernen und unüberwachtem Lernen). Übungen am Ende des Kapitels ermöglichen es den Studierenden, das Gelernte anzuwenden, und ein Anhang behandelt die Notation.
Probabilistisches maschinelles Lernen ist aus dem 2012 erschienenen Buch des Autors, Machine Learning, hervorgegangen: A Probabilistic Perspective. Dies ist mehr als nur eine einfache Aktualisierung, sondern ein völlig neues Buch, das die dramatischen Entwicklungen auf diesem Gebiet seit 2012 widerspiegelt, insbesondere Deep Learning. Darüber hinaus wird das neue Buch von Online-Python-Code begleitet, der Bibliotheken wie scikit-learn, JAX, PyTorch und Tensorflow verwendet, mit denen fast alle Abbildungen reproduziert werden können; dieser Code kann in einem Webbrowser unter Verwendung von Cloud-basierten Notebooks ausgeführt werden und bietet eine praktische Ergänzung zu den im Buch behandelten theoretischen Themen. Diesem einführenden Text wird eine Fortsetzung folgen, die fortgeschrittenere Themen behandelt und denselben probabilistischen Ansatz verfolgt.
| ISBN: | 9780262046824 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2022 |
| Seitenzahl: | 944 |
Derzeit verfügbar, auf Lager.
