L'apprendimento automatico: Una prospettiva probabilistica

Recensioni dei lettori

Il libro è ampiamente considerato come una delle migliori risorse per l'apprendimento automatico, lodato per la sua copertura completa, il rigore matematico e le spiegazioni perspicaci. Tuttavia, è stato criticato per gli errori tipografici, i problemi organizzativi e la diversa qualità di scrittura dei capitoli, che lo rendono meno adatto ai principianti.

⬤ Contenuti ricchi e copertura completa degli argomenti di apprendimento automatico, comprese le tecniche avanzate.
⬤ Spiegazioni approfondite che aiutano a costruire l'intuizione dei concetti.
⬤ Trattamento approfondito e ben organizzato degli approcci probabilistici.
⬤ Il software di accompagnamento è utile e migliora la comprensione.
⬤ Ottimo per studenti esperti e ricercatori in cerca di un libro di riferimento.

⬤ Numerosi errori tipografici e tecnici, alcuni dei quali abbastanza significativi da ostacolare la comprensione.
⬤ Problemi organizzativi che possono rendere il testo difficile da seguire, con riferimenti a capitoli futuri che possono disorientare i lettori.
⬤ Qualità di scrittura incoerente tra i diversi capitoli.
⬤ Troppo astratto per alcune descrizioni, richiede risorse esterne.
⬤ Non è raccomandato come risorsa primaria di apprendimento per i principianti.

(basato su 162 recensioni dei lettori)

Titolo originale:

The Machine Learning: A Probabilistic Perspective

Contenuto del libro:

Un'introduzione completa all'apprendimento automatico che utilizza modelli probabilistici e inferenza come approccio unificante.

L'odierno diluvio di dati elettronici, abilitato dal Web, richiede metodi automatizzati di analisi dei dati. L'apprendimento automatico li fornisce, sviluppando metodi in grado di rilevare automaticamente i modelli nei dati e di utilizzare i modelli scoperti per prevedere i dati futuri. Questo libro di testo offre un'introduzione completa e autonoma al campo dell'apprendimento automatico, basata su un approccio probabilistico unificato.

La trattazione combina ampiezza e profondità, offrendo il necessario materiale di base su argomenti quali la probabilità, l'ottimizzazione e l'algebra lineare, nonché la discussione dei recenti sviluppi nel campo, tra cui i campi casuali condizionati, la regolarizzazione L1 e il deep learning. Il libro è scritto in uno stile informale e accessibile, completo di pseudo-codice per gli algoritmi più importanti. Tutti gli argomenti sono abbondantemente illustrati con immagini a colori ed esempi pratici tratti da domini applicativi quali la biologia, l'elaborazione del testo, la visione artificiale e la robotica. Piuttosto che fornire un ricettario di diversi metodi euristici, il libro pone l'accento su un approccio basato su modelli di principio, spesso utilizzando il linguaggio dei modelli grafici per specificare i modelli in modo conciso e intuitivo. Quasi tutti i modelli descritti sono stati implementati in un pacchetto software MATLAB, il PMTK (probabilistic modeling toolkit), disponibile gratuitamente online. Il libro è adatto a studenti universitari di livello superiore con una formazione matematica introduttiva e a studenti universitari principianti.