Introduzione all'apprendimento automatico, quarta edizione

Recensioni dei lettori

Il libro di Alpaydin è apprezzato per la sua chiara esposizione degli algoritmi e delle teorie dell'apprendimento automatico, che lo rende prezioso per gli studenti e i professionisti che vogliono comprendere i concetti fondamentali. Tuttavia, alcuni lettori lo trovano difficile, soprattutto per i principianti, a causa della sua natura tecnica e dello stile di scrittura. Un utente ha segnalato un problema di refuso che ha influito sulla sua esperienza con il libro.

⬤ Fornisce una spiegazione chiara e concisa dei principali algoritmi e teorie di apprendimento automatico.
⬤ Le sezioni riviste includono contenuti aggiornati sull'apprendimento profondo, come le GAN e le CNN.
⬤ Adatto a studenti e professionisti che desiderano comprendere gli aspetti teorici dell'apprendimento automatico.
⬤ Generalmente facile da leggere, con spiegazioni semplici.

⬤ Alcuni utenti lo hanno trovato troppo tecnico e pesante dal punto di vista matematico, soprattutto per i principianti.
⬤ Lo stile di scrittura potrebbe non spiegare efficacemente i concetti per chi non ha familiarità con l'argomento.
⬤ Segnalazioni di un libro stampato male e mancante del primo capitolo.
⬤ Critiche per la scarsa accessibilità ai lettori senza una solida preparazione in statistica o teoria matematica.

(basato su 11 recensioni dei lettori)

Titolo originale:

Introduction to Machine Learning, Fourth Edition

Contenuto del libro:

Una quarta edizione sostanzialmente rivista di un libro di testo completo, che include una nuova copertura dei recenti progressi nell'apprendimento profondo e nelle reti neurali.

L'obiettivo dell'apprendimento automatico è programmare i computer in modo che utilizzino dati di esempio o esperienze passate per risolvere un determinato problema. L'apprendimento automatico è alla base di nuove ed entusiasmanti tecnologie come le auto a guida autonoma, il riconoscimento vocale e le applicazioni di traduzione. Questa quarta edizione, sostanzialmente rivista, di un testo completo e ampiamente utilizzato sull'apprendimento automatico, offre una nuova copertura dei recenti progressi del campo sia nella teoria che nella pratica, compresi gli sviluppi dell'apprendimento profondo e delle reti neurali.

Il libro copre un'ampia gamma di argomenti solitamente non inclusi nei testi introduttivi sull'apprendimento automatico, tra cui l'apprendimento supervisionato, la teoria delle decisioni bayesiane, i metodi parametrici, i metodi semiparametrici, i metodi non parametrici, l'analisi multivariata, i modelli di Markov nascosti, l'apprendimento per rinforzo, le macchine kernel, i modelli grafici, la stima bayesiana e i test statistici. La quarta edizione offre un nuovo capitolo sul deep learning che tratta l'addestramento, la regolarizzazione e la strutturazione di reti neurali profonde come le reti convoluzionali e le reti generative avversarie.

Nuovo materiale nel capitolo sull'apprendimento per rinforzo che copre l'uso di reti profonde, i metodi di gradiente di policy e l'apprendimento per rinforzo profondo.

Nuovo materiale nel capitolo sui perceptron multistrato, sugli autoencoder e sulla rete word2vec.

E discussione di un metodo popolare di riduzione della dimensionalità, t-SNE. Nuove appendici offrono materiale di base sull'algebra lineare e sull'ottimizzazione. Gli esercizi di fine capitolo aiutano i lettori ad applicare i concetti appresi. Introduction to Machine Learning può essere utilizzato nei corsi per studenti universitari e laureati di livello avanzato e come riferimento per i professionisti.