Processi gaussiani per l'apprendimento automatico

Recensioni dei lettori

Il libro sui processi gaussiani (GP) ha raccolto recensioni contrastanti: molti ne lodano la chiarezza, la profondità e la rilevanza per l'apprendimento automatico, mentre alcuni ne criticano la mancanza di autocontenimento e profondità.

⬤ Spiegazioni chiare e concise
⬤ preziose nel contesto dell'apprendimento automatico
⬤ capitoli ben strutturati
⬤ ottimo riferimento per la ricerca
⬤ include buoni collegamenti tra GP e altri metodi come SVM
⬤ copertina rigida di alta qualità
⬤ ottimo prezzo.

⬤ Non è autocontenuto, mancano le definizioni di alcuni termini
⬤ alcuni ritengono che la profondità e il contenuto siano troppo limitati
⬤ le spiegazioni possono risultare eccessivamente semplicistiche o circolari
⬤ alcuni reclami sulla confezione.

(basato su 18 recensioni dei lettori)

Titolo originale:

Gaussian Processes for Machine Learning

Contenuto del libro:

Un'introduzione completa e autocontenuta ai processi gaussiani, che forniscono un approccio probabilistico pratico e di principio all'apprendimento nelle macchine kernel.

I processi gaussiani (GP) forniscono un approccio di principio, pratico e probabilistico all'apprendimento nelle macchine kernel. I GP hanno ricevuto una crescente attenzione nella comunità dell'apprendimento automatico nell'ultimo decennio e questo libro fornisce una trattazione sistematica e unificata degli aspetti teorici e pratici dei GP nell'apprendimento automatico, di cui si sentiva il bisogno da tempo. La trattazione è completa e autonoma, rivolta a ricercatori e studenti di apprendimento automatico e di statistica applicata. Il libro tratta il problema dell'apprendimento supervisionato sia per la regressione che per la classificazione e include algoritmi dettagliati. Viene presentata un'ampia gamma di funzioni di covarianza (kernel) e vengono discusse le loro proprietà. La selezione del modello viene discussa sia da una prospettiva bayesiana che classica. Vengono discusse molte connessioni con altre tecniche ben note dell'apprendimento automatico e della statistica, tra cui le macchine vettoriali di supporto, le reti neurali, le spline, le reti di regolarizzazione, le macchine vettoriali di rilevanza e altre ancora. Vengono trattate questioni teoriche, tra cui le curve di apprendimento e il quadro PAC-Bayesiano, e vengono discussi diversi metodi di approssimazione per l'apprendimento con grandi insiemi di dati. Il libro contiene esempi illustrativi ed esercizi, e il codice e i dataset sono disponibili sul Web.

Le appendici forniscono il background matematico e una discussione sui processi di Markov gaussiani.