Avis des lecteurs
Résumé:Ce livre est considéré comme une ressource exceptionnelle pour apprendre et comprendre les concepts de l'apprentissage automatique, en particulier d'un point de vue bayésien. Il combine la théorie avec des exemples pratiques et offre une profondeur complète. Cependant, les lecteurs ont également souligné plusieurs problèmes, notamment la présence de fautes de frappe, la difficulté du matériel pour les novices et les inquiétudes concernant la réception de copies contrefaites du livre.
Avantages:⬤ Excellent texte de référence pour les sujets liés à l'apprentissage automatique.
⬤ Compréhension approfondie grâce à un apprentissage structuré et à des références.
⬤ Couverture complète des aspects théoriques et pratiques.
⬤ Auteur très respecté avec une forte capacité d'enseignement.
⬤ Inclusion de liens GitHub pour les exercices pratiques.
⬤ La version Kindle permet d'accéder facilement à des exemples de codes.
⬤ Plusieurs coquilles et erreurs dans les éditions papier.
⬤ Le livre peut être difficile pour les débutants ; il nécessite une solide compréhension de certains concepts mathématiques.
⬤ Certaines sections peuvent être difficiles à suivre en raison de la présence de plusieurs auteurs.
⬤ Inquiétudes quant à la réception de copies contrefaites du livre.
(basé sur 10 avis de lecteurs)
Titre original :
Probabilistic Machine Learning: Advanced Topics
Contenu du livre :
Un livre avancé pour les chercheurs et les étudiants de troisième cycle travaillant dans le domaine de l'apprentissage automatique et des statistiques et qui veulent en savoir plus sur l'apprentissage profond, l'inférence bayésienne, les modèles génératifs et la prise de décision en situation d'incertitude.
Un pendant avancé de Probabilistic Machine Learning : Ce manuel de haut niveau offre aux chercheurs et aux étudiants de troisième cycle une couverture détaillée des sujets de pointe en apprentissage automatique, y compris la modélisation générative profonde, les modèles graphiques, l'inférence bayésienne, l'apprentissage par renforcement et la causalité. Ce volume place l'apprentissage profond dans un contexte statistique plus large et unifie les approches basées sur l'apprentissage profond avec celles basées sur la modélisation et l'inférence probabilistes. Avec des contributions de scientifiques de haut niveau et d'experts de domaines tels que Google, DeepMind, Amazon, Purdue University, NYU et l'Université de Washington, ce livre rigoureux est essentiel pour comprendre les questions vitales de l'apprentissage automatique.
⬤ Ce livre rigoureux est essentiel pour comprendre les questions vitales de l'apprentissage automatique.
⬤ Il aborde les méthodes de découverte des données, basées sur des modèles de variables latentes.
⬤ La formation et les tests sous différentes distributions.
⬤ Il explore la manière d'utiliser les modèles probabilistes et l'inférence pour l'inférence causale et la prise de décision.
⬤ Comprend un accompagnement en ligne du code Python.
Autres informations sur le livre :
| ISBN : | 9780262048439 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
Achat:
Actuellement disponible, en stock.
