Apprendimento automatico - Una prospettiva bayesiana e di ottimizzazione

Recensioni dei lettori

Il libro è considerato una risorsa completa per l'apprendimento automatico, in particolare da una prospettiva bayesiana, con diagrammi chiari e un approccio rigoroso. Tuttavia, è criticato per la mancanza di chiarezza di alcune derivazioni e alcuni lettori lo trovano pesante dal punto di vista matematico, il che lo rende meno adatto come testo introduttivo.

⬤ Copertura completa degli argomenti dell'apprendimento automatico, in particolare dei metodi bayesiani
⬤ diagrammi chiari e concisi
⬤ adatto ai corsi di laurea
⬤ stampa di alta qualità
⬤ spiegazioni approfondite
⬤ riferimento prezioso per i concetti avanzati e i recenti progressi nel campo.

⬤ Mancanza di chiarezza in alcune derivazioni matematiche
⬤ non così facile da usare per i principianti
⬤ alcuni argomenti potrebbero non essere trattati in modo approfondito
⬤ uso limitato del colore nei diagrammi
⬤ struttura potenzialmente confusa rispetto ad altri testi popolari.

(basato su 12 recensioni dei lettori)

Titolo originale:

Machine Learning - A Bayesian and Optimization Perspective

Contenuto del libro:

Apprendimento automatico: A Bayesian and Optimization Perspective, Second Edition fornisce una prospettiva unificante sull'apprendimento automatico, trattando approcci sia probabilistici che deterministici basati su tecniche di ottimizzazione combinate con l'approccio dell'inferenza bayesiana. Il libro parte dai metodi classici di base per arrivare alle tendenze più recenti, rendendolo adatto a diversi corsi, tra cui riconoscimento dei modelli, elaborazione statistica/adattiva dei segnali e apprendimento statistico/bayesiano, nonché a brevi corsi sulla modellazione rada, sull'apprendimento profondo e sui modelli grafici probabilistici. Inoltre, le sezioni coprono i principali metodi di apprendimento automatico sviluppati in diverse discipline, come la statistica, l'elaborazione statistica e adattiva dei segnali e l'informatica.

Concentrandosi sul ragionamento fisico alla base della matematica, tutti i vari metodi e tecniche sono spiegati in modo approfondito e supportati da esempi e problemi, fornendo una risorsa inestimabile sia allo studente che al ricercatore per la comprensione e l'applicazione dei concetti di apprendimento automatico.

Questa edizione aggiornata include molti più esempi semplici sulla teoria di base, la completa riscrittura del capitolo sulle Reti Neurali e sull'Apprendimento Profondo e una trattazione ampliata dell'apprendimento bayesiano, compreso l'Apprendimento Bayesiano Nonparametrico.

⬤ Presenta il ragionamento fisico, la modellazione matematica e l'implementazione algoritmica di ciascun metodo.

⬤ Aggiornamenti sulle ultime tendenze, tra cui la sparsità, l'analisi e l'ottimizzazione convessa, gli algoritmi distribuiti online, l'apprendimento negli spazi RKH, l'inferenza bayesiana, i modelli di Markov grafici e nascosti, il filtraggio delle particelle, l'apprendimento profondo, l'apprendimento dei dizionari e la modellazione delle variabili latenti.

⬤ Fornisce casi di studio su una varietà di argomenti, tra cui la previsione del ripiegamento delle proteine, il riconoscimento ottico dei caratteri, l'identificazione della paternità del testo, l'analisi dei dati fMRI, il rilevamento dei punti di cambiamento, la scomposizione delle immagini iperspettrali, la localizzazione dei bersagli e altro ancora.