Avis des lecteurs
Résumé:Ce livre est considéré comme une ressource complète pour l'apprentissage automatique, en particulier d'un point de vue bayésien, avec des diagrammes clairs et une approche rigoureuse. Cependant, il est critiqué pour le manque de clarté de certaines dérivations, et certains lecteurs le trouvent lourd en mathématiques, ce qui le rend moins approprié comme texte d'introduction.
Avantages:⬤ Couverture complète des sujets liés à l'apprentissage automatique, en particulier les méthodes bayésiennes
⬤ diagrammes clairs et concis
⬤ adapté aux cours de troisième cycle
⬤ impression de haute qualité
⬤ explications approfondies
⬤ référence précieuse pour les concepts avancés et les avancées récentes dans le domaine.
⬤ Manque de clarté dans certaines dérivations mathématiques
⬤ pas aussi convivial pour les débutants
⬤ certains sujets peuvent ne pas être couverts en profondeur
⬤ utilisation limitée de la couleur dans les diagrammes
⬤ structure potentiellement déroutante par rapport à d'autres textes populaires.
(basé sur 12 avis de lecteurs)
Titre original :
Machine Learning - A Bayesian and Optimization Perspective
Contenu du livre :
L'apprentissage automatique : A Bayesian and Optimization Perspective, Second Edition donne une perspective unificatrice sur l'apprentissage automatique en couvrant à la fois les approches probabilistes et déterministes basées sur des techniques d'optimisation combinées avec l'approche de l'inférence bayésienne. Le livre part des méthodes classiques de base jusqu'aux tendances récentes, ce qui le rend adapté à différents cours, y compris la reconnaissance des formes, le traitement statistique/adaptatif des signaux, et l'apprentissage statistique/bayésien, ainsi que des cours courts sur la modélisation éparse, l'apprentissage profond, et les modèles graphiques probabilistes. En outre, des sections couvrent les principales méthodes d'apprentissage automatique développées dans différentes disciplines, telles que les statistiques, le traitement statistique et adaptatif du signal et l'informatique.
Mettant l'accent sur le raisonnement physique qui sous-tend les mathématiques, toutes les méthodes et techniques sont expliquées en profondeur et étayées par des exemples et des problèmes, ce qui constitue une ressource inestimable pour l'étudiant et le chercheur qui souhaitent comprendre et appliquer les concepts de l'apprentissage automatique.
Cette édition mise à jour comprend beaucoup plus d'exemples simples sur la théorie de base, des réécritures complètes du chapitre sur les réseaux neuronaux et l'apprentissage profond, et un traitement élargi de l'apprentissage bayésien, y compris l'apprentissage bayésien non paramétrique.
⬤ Il présente le raisonnement physique, la modélisation mathématique et la mise en œuvre algorithmique de chaque méthode.
⬤ Il présente le raisonnement physique, la modélisation mathématique et la mise en œuvre algorithmique de chaque méthode. Il fait le point sur les dernières tendances, y compris la rareté, l'analyse et l'optimisation convexes, les algorithmes distribués en ligne, l'apprentissage dans les espaces RKH, l'inférence bayésienne, les modèles de Markov graphiques et cachés, le filtrage particulaire, l'apprentissage profond, l'apprentissage par dictionnaire et la modélisation des variables latentes.
⬤ Il fournit des études de cas sur une variété de sujets, y compris la prédiction du repliement des protéines, la reconnaissance optique de caractères, l'identification de l'auteur d'un texte, l'analyse de données IRMf, la détection de points de changement, le démélange d'images hyperspectrales, la localisation de cibles, et bien d'autres.
Autres informations sur le livre :
| ISBN : | 9780128188033 |
| Auteur : | |
| Éditeur : | |
| Sous-titre : | A Bayesian and Optimization Perspective |
| Reliure : | Relié |
| Année de publication : | 2020 |
| Nombre de pages : | 1160 |
Achat:
Actuellement disponible, en stock.
