Apprendimento automatico probabilistico: Argomenti avanzati

Recensioni dei lettori

Il libro è apprezzato come una risorsa eccezionale per l'apprendimento e la comprensione dei concetti di apprendimento automatico, soprattutto da una prospettiva bayesiana. Combina la teoria con esempi pratici e offre un approfondimento completo. Tuttavia, i lettori hanno evidenziato diversi problemi, tra cui la presenza di refusi, la difficoltà del materiale per i principianti e la preoccupazione di ricevere copie contraffatte del libro.

⬤ Eccellente testo di riferimento per gli argomenti di apprendimento automatico.
⬤ Comprensione profonda grazie all'apprendimento strutturato e ai riferimenti.
⬤ Copertura completa degli aspetti teorici e pratici.
⬤ Autore ben rispettato con forti capacità didattiche.
⬤ Inclusione di link a GitHub per gli esercizi pratici.
⬤ La versione Kindle offre un facile accesso ai codici di esempio.

⬤ Diversi refusi ed errori nelle edizioni cartacee.
⬤ Il libro può essere impegnativo per i principianti; richiede una solida comprensione di alcuni concetti matematici.
⬤ Alcune sezioni possono essere difficili da seguire a causa della presenza di più autori.
⬤ Preoccupazione per la ricezione di copie contraffatte del libro.

(basato su 10 recensioni dei lettori)

Titolo originale:

Probabilistic Machine Learning: Advanced Topics

Contenuto del libro:

Un libro avanzato per ricercatori e studenti laureati che lavorano nel campo dell'apprendimento automatico e della statistica e che vogliono conoscere l'apprendimento profondo, l'inferenza bayesiana, i modelli generativi e il processo decisionale in condizioni di incertezza.

Controparte avanzata di Probabilistic Machine Learning: An Introduction, questo testo di alto livello fornisce a ricercatori e studenti laureati una copertura dettagliata di argomenti all'avanguardia nell'apprendimento automatico, tra cui la modellazione generativa profonda, i modelli grafici, l'inferenza bayesiana, l'apprendimento per rinforzo e la causalità. Questo volume inserisce l'apprendimento profondo in un contesto statistico più ampio e unifica gli approcci basati sull'apprendimento profondo con quelli basati sulla modellazione e sull'inferenza probabilistica. Con i contributi dei migliori scienziati ed esperti del settore provenienti da Google, DeepMind, Amazon, Purdue University, NYU e University of Washington, questo libro rigoroso è essenziale per comprendere le questioni vitali dell'apprendimento automatico.

⬤ Copre la generazione di output ad alta dimensionalità, come immagini, testo e grafici.

⬤ Discute i metodi per scoprire intuizioni sui dati, basati su modelli a variabili latenti.

⬤ Si esamina l'addestramento e il test in base a diverse distribuzioni.

⬤ Esplora come utilizzare i modelli probabilistici e l'inferenza per l'inferenza causale e il processo decisionale.

⬤ Include un codice Python online di accompagnamento.