Apprendimento automatico: Un approccio pratico alla teoria dell'apprendimento statistico

Recensioni dei lettori

Il libro offre un'introduzione completa all'apprendimento supervisionato, combinando approfondimenti teorici con esempi pratici e script R. Tuttavia, alcuni recensori esprimono insoddisfazione, evidenziando errori di battitura e sostenendo che il libro non riesce a facilitare un apprendimento efficace.

⬤ Buon approfondimento teorico
⬤ esempi pratici con script R
⬤ illustrazioni e grafici efficaci
⬤ progettato per aiutare gli esseri umani a imparare l'apprendimento automatico.

⬤ Numerosi errori di battitura
⬤ alcuni recensori ritengono che non faciliti l'apprendimento
⬤ efficacia generale mista.

(basato su 4 recensioni dei lettori)

Titolo originale:

Machine Learning: A Practical Approach on the Statistical Learning Theory

Contenuto del libro:

Questo libro presenta la teoria dell'apprendimento statistico in modo dettagliato e facile da capire, utilizzando esempi pratici, algoritmi e codici sorgente. Può essere utilizzato come libro di testo nei corsi di laurea o di specializzazione, per gli autodidatti o come riferimento per i principali concetti teorici del Machine Learning. Vengono forniti i concetti fondamentali dell'algebra lineare e dell'ottimizzazione applicati al Machine Learning, nonché i codici sorgente in R, rendendo il libro il più autonomo possibile.

Il libro inizia con un'introduzione ai concetti e agli algoritmi di Machine Learning, come il Perceptron, il Multilayer Perceptron e il Distance-Weighted Nearest Neighbors, con esempi, per fornire le basi necessarie affinché il lettore sia in grado di comprendere il Dilemma Bias-Varianza, che è il punto centrale della teoria dell'apprendimento statistico.

In seguito, introduciamo tutte le ipotesi e formalizziamo la Teoria dell'apprendimento statistico, consentendo lo studio pratico di diversi algoritmi di classificazione. Si procede poi con le disuguaglianze di concentrazione fino ad arrivare ai limiti di generalizzazione e di grande margine, fornendo le motivazioni principali per le macchine a vettori di supporto.

Da qui, vengono introdotti tutti i concetti di ottimizzazione necessari per l'implementazione delle macchine a vettori di supporto. Per fornire una fase successiva di sviluppo, il libro termina con una discussione sui kernel SVM come metodo e motivazione per studiare gli spazi di dati e migliorare i risultati della classificazione.