Apprendimento automatico probabilistico: Un'introduzione

Recensioni dei lettori

Il libro è stato ampiamente apprezzato come una risorsa completa e ben strutturata per la comprensione dell'apprendimento automatico, in particolare del ML probabilistico. I recensori apprezzano lo stile di scrittura accattivante, la chiarezza e la profondità dei contenuti. Tuttavia, diversi utenti hanno segnalato problemi con la qualità fisica del libro, tra cui danni alla consegna e scarsa qualità della carta.

⬤ Copertura completa degli argomenti di apprendimento automatico.
⬤ Spiegazioni coinvolgenti e intuitive di concetti complessi.
⬤ Utile sia per i principianti che per i lettori avanzati.
⬤ Risorsa preziosa per comprendere la teoria dell'apprendimento automatico e i recenti progressi.
⬤ Incoraggiato per chi vuole confrontarsi con la letteratura e la ricerca di ML di alto livello.

⬤ Frequenti problemi con la qualità fisica del libro, tra cui copertine strappate e dorsi danneggiati.
⬤ Insoddisfazione per la qualità della stampa e della carta rispetto al prezzo.
⬤ Nessuna soluzione per gli esercizi, il che ha deluso alcuni lettori.
⬤ Segnalazioni di copie difettose che hanno creato esperienze di acquisto negative.

(basato su 40 recensioni dei lettori)

Titolo originale:

Probabilistic Machine Learning: An Introduction

Contenuto del libro:

Un'introduzione dettagliata e aggiornata all'apprendimento automatico, presentata attraverso l'obiettivo unificante della modellazione probabilistica e della teoria delle decisioni bayesiane.

Questo libro offre un'introduzione dettagliata e aggiornata all'apprendimento automatico (compreso l'apprendimento profondo) attraverso l'obiettivo unificante della modellazione probabilistica e della teoria delle decisioni bayesiane. Il libro copre le basi matematiche (tra cui l'algebra lineare e l'ottimizzazione), l'apprendimento supervisionato di base (tra cui la regressione lineare e logistica e le reti neurali profonde) e gli argomenti più avanzati (tra cui l'apprendimento per trasferimento e l'apprendimento non supervisionato). Gli esercizi di fine capitolo consentono agli studenti di applicare quanto appreso e un'appendice illustra la notazione.

L'apprendimento automatico probabilistico è nato dal libro dell'autore del 2012, Machine Learning: A Probabilistic Perspective. Più che di un semplice aggiornamento, si tratta di un libro completamente nuovo che riflette i notevoli sviluppi del settore dal 2012, in particolare il deep learning. Inoltre, il nuovo libro è accompagnato da codice Python online, utilizzando librerie come scikit-learn, JAX, PyTorch e Tensorflow, che può essere utilizzato per riprodurre quasi tutte le figure; questo codice può essere eseguito all'interno di un browser web utilizzando notebook basati su cloud, e fornisce un complemento pratico agli argomenti teorici trattati nel libro. Questo testo introduttivo sarà seguito da un seguito che tratterà argomenti più avanzati, adottando lo stesso approccio probabilistico.