Apprendimento automatico: Una prospettiva algoritmica, seconda edizione

Recensioni dei lettori

Il libro fornisce un'introduzione completa all'apprendimento automatico utilizzando Python con un approccio algoritmico, anche se soffre di numerosi errori matematici e spiegazioni confuse. Sebbene copra un'ampia gamma di algoritmi e sia particolarmente accessibile per coloro che hanno un background matematico meno solido, potrebbe frustrare gli utenti più avanzati o coloro che cercano una trattazione rigorosa.

⬤ Copertura completa di vari algoritmi di apprendimento automatico.
⬤ Focalizzazione algoritmica piuttosto che esclusivamente applicativa.
⬤ Accessibile a chi ha limitate competenze matematiche.
⬤ Include esempi di codice Python, utili per la comprensione pratica.
⬤ Scritto in uno stile facile da seguire.
⬤ Ottimo per i corsi introduttivi.

⬤ È pieno di errori, sia tipografici che matematici.
⬤ Alcune spiegazioni sono confuse o poco chiare.
⬤ Alcune sezioni non sono sufficientemente approfondite o dettagliate.
⬤ Presuppone una certa dimestichezza con Python e non dispone di tutorial approfonditi.
⬤ Può essere più adatto come risorsa supplementare piuttosto che come testo a sé stante.

(basato su 35 recensioni dei lettori)

Titolo originale:

Machine Learning: An Algorithmic Perspective, Second Edition

Contenuto del libro:

Un approccio pratico e collaudato per studenti senza una solida base statistica.

Dalla pubblicazione della prima edizione del best seller, ci sono stati diversi sviluppi di rilievo nel campo dell'apprendimento automatico, tra cui il crescente lavoro sulle interpretazioni statistiche degli algoritmi di apprendimento automatico. Purtroppo, per gli studenti di informatica che non hanno una solida base statistica è spesso difficile iniziare a lavorare in questo campo.

Per ovviare a questa mancanza, Machine Learning: An Algorithmic Perspective, Second Edition aiuta gli studenti a comprendere gli algoritmi di apprendimento automatico. Li mette sulla strada per padroneggiare la matematica e la statistica pertinenti, nonché la programmazione e la sperimentazione necessarie.

Novità della seconda edizione

⬤ Due nuovi capitoli sulle reti di credenza profonde e sui processi gaussiani.

⬤ Riorganizzazione dei capitoli per rendere più naturale il flusso dei contenuti.

⬤ Revisione del materiale sulle macchine a vettore di supporto, compresa una semplice implementazione per gli esperimenti.

⬤ Nuovo materiale sulle foreste casuali, sul teorema di convergenza del perceptron, sui metodi di accuratezza e sull'ottimizzazione del gradiente coniugato per il perceptron multistrato.

⬤ Discussioni aggiuntive sui filtri di Kalman e sulle particelle.

⬤ Codice migliorato, compreso un migliore uso delle convenzioni di denominazione in Python.

Adatto sia a un corso introduttivo di un semestre sia a corsi più avanzati, il testo incoraggia fortemente gli studenti a fare pratica con il codice. Ogni capitolo include esempi dettagliati, oltre a ulteriori letture e problemi. Tutto il codice utilizzato per creare gli esempi è disponibile sul sito web dell'autore.