Bewertung:
Das Buch wird als außergewöhnliche Ressource für das Erlernen und Verstehen von Konzepten des maschinellen Lernens gelobt, insbesondere aus einer Bayes'schen Perspektive. Es kombiniert Theorie mit praktischen Beispielen und bietet eine umfassende Tiefe. Die Leser haben jedoch auch einige Probleme hervorgehoben, darunter das Vorhandensein von Tippfehlern, die Schwierigkeit des Materials für Anfänger und die Sorge, gefälschte Exemplare des Buches zu erhalten.
Vorteile:⬤ Ausgezeichneter Referenztext für Themen des maschinellen Lernens.
⬤ Tiefes Verständnis durch strukturiertes Lernen und Referenzen.
⬤ Umfassende Behandlung sowohl theoretischer als auch praktischer Aspekte.
⬤ Angesehener Autor mit starken pädagogischen Fähigkeiten.
⬤ Einbeziehung von GitHub-Links für praktische Übungen.
⬤ Die Kindle-Version bietet einfachen Zugang zu Beispielcodes.
⬤ Mehrere Tippfehler und Fehler in den gedruckten Ausgaben.
⬤ Buch kann für Anfänger schwierig sein; erfordert ein solides Verständnis bestimmter mathematischer Konzepte.
⬤ Einige Abschnitte können aufgrund mehrerer Autoren schwer zu verstehen sein.
⬤ Bedenken über den Erhalt gefälschter Exemplare des Buches.
(basierend auf 10 Leserbewertungen)
Probabilistic Machine Learning: Advanced Topics
Ein fortgeschrittenes Buch für Forscher und Studenten, die im Bereich des maschinellen Lernens und der Statistik arbeiten und mehr über Deep Learning, Bayes'sche Inferenz, generative Modelle und Entscheidungsfindung unter Unsicherheit erfahren möchten.
Ein fortgeschrittenes Gegenstück zu Probabilistic Machine Learning: An Introduction“ bietet dieses Lehrbuch Forschern und Studenten auf hohem Niveau eine detaillierte Abdeckung der neuesten Themen des maschinellen Lernens, einschließlich Deep Generative Modeling, grafische Modelle, Bayes'sche Inferenz, Reinforcement Learning und Kausalität. Dieser Band stellt Deep Learning in einen größeren statistischen Kontext und vereint Ansätze, die auf Deep Learning basieren, mit solchen, die auf probabilistischer Modellierung und Inferenz beruhen. Mit Beiträgen von Top-Wissenschaftlern und Fachleuten von Google, DeepMind, Amazon, der Purdue University, der NYU und der University of Washington ist dieses strenge Buch unerlässlich für das Verständnis der wichtigsten Themen des maschinellen Lernens.
⬤ Berücksichtigt die Erzeugung von hochdimensionalen Daten wie Bildern, Texten und Graphen.
⬤ Diskutiert Methoden zur Entdeckung von Erkenntnissen über Daten, basierend auf Modellen latenter Variablen.
⬤ Betrachtet Training und Test unter verschiedenen Verteilungen.
⬤ Untersucht, wie probabilistische Modelle und Schlussfolgerungen für kausale Schlussfolgerungen und Entscheidungsfindung genutzt werden können.
⬤ Mit Online-Python-Code-Begleitung.
| ISBN: | 9780262048439 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
Derzeit verfügbar, auf Lager.
