Apprendimento automatico applicato

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 4 voti.

Titolo originale:

Applied Machine Learning

Contenuto del libro:

I metodi di apprendimento automatico sono oggi uno strumento importante per scienziati, ricercatori, ingegneri e studenti in una vasta gamma di settori. Questo libro è stato scritto per coloro che vogliono adottare e utilizzare i principali strumenti dell'apprendimento automatico, ma che non vogliono necessariamente diventare ricercatori di apprendimento automatico. Destinato agli studenti dell'ultimo anno di laurea o del primo anno di laurea in informatica, questo libro di testo è un kit di strumenti per l'apprendimento automatico. Applied Machine Learning copre molti argomenti per coloro che vogliono utilizzare i processi di apprendimento automatico per ottenere risultati, con una forte enfasi sull'uso di strumenti e pacchetti esistenti, piuttosto che sulla scrittura del proprio codice.

Compagno di Probabilità e statistica per l'informatica dell'autore, questo libro riprende da dove il libro precedente si era interrotto (ma fornisce anche una sintesi della probabilità che il lettore può utilizzare).

Enfatizzando l'utilità dei macchinari standard della statistica applicata, questo libro di testo fornisce una panoramica delle principali aree applicate all'apprendimento, includendo la copertura di: - classificazione con macchinari standard (naive bayes; nearest neighbor; SVM)- clustering e quantizzazione vettoriale (in gran parte come in PSCS)- PCA (in gran parte come in PSCS)- varianti di PCA (NIPALS; analisi semantica latente; regressione lineare (in gran parte come in PSCS) - modelli lineari generalizzati, compresa la regressione logistica - selezione dei modelli con Lasso, elasticnet - robustezza e stimatori m - catene di Markov e HMM (in gran parte come in PSCS) - EM in dettaglio; La lunga esperienza di insegnamento suggerisce che è necessario un esempio dettagliato, che gli studenti odiano; ma una volta superato quello, il successivo è facile - modelli grafici semplici (nella sezione sull'inferenza variazionale) - classificazione con reti neurali, con particolare enfasi sulla classificazione delle immagini - autocodifica con reti neurali - apprendimento delle strutture.