Note :
Le livre d'Alpaydin est loué pour sa présentation claire des algorithmes et des théories de l'apprentissage automatique, ce qui le rend précieux pour les étudiants et les praticiens qui veulent comprendre les concepts fondamentaux. Cependant, certains lecteurs le trouvent difficile, en particulier pour les débutants, en raison de sa nature technique et de son style d'écriture. Un problème d'impression a également été signalé par un utilisateur, affectant son expérience avec le livre.
Avantages:⬤ Fournit une explication claire et concise des algorithmes et théories clés de l'apprentissage automatique.
⬤ Les sections révisées incluent un contenu actualisé sur l'apprentissage profond, tel que les GAN et les CNN.
⬤ Convient aux étudiants et aux professionnels qui cherchent à comprendre les aspects théoriques de l'apprentissage automatique.
⬤ Généralement facile à lire, avec des explications simples.
⬤ Certains utilisateurs l'ont trouvé trop technique et trop mathématique, en particulier pour les débutants.
⬤ Le style d'écriture peut ne pas expliquer efficacement les concepts pour ceux qui ne sont pas familiers avec le sujet.
⬤ Des rapports font état d'un livre mal imprimé auquel il manque le premier chapitre.
⬤ Critique sur le fait qu'il est moins accessible pour les lecteurs qui n'ont pas de connaissances approfondies en statistiques ou en théorie mathématique.
(basé sur 11 avis de lecteurs)
Introduction to Machine Learning, Fourth Edition
Cette quatrième édition d'un manuel complet a été considérablement révisée et comprend une nouvelle couverture des avancées récentes en matière d'apprentissage profond et de réseaux neuronaux.
L'objectif de l'apprentissage automatique est de programmer les ordinateurs pour qu'ils utilisent des données d'exemple ou des expériences passées afin de résoudre un problème donné. L'apprentissage automatique est à la base de nouvelles technologies passionnantes telles que les voitures autonomes, la reconnaissance vocale et les applications de traduction. Cette quatrième édition, profondément révisée, d'un manuel complet et largement utilisé sur l'apprentissage automatique offre une nouvelle couverture des avancées récentes dans le domaine, à la fois en théorie et en pratique, y compris les développements dans l'apprentissage profond et les réseaux neuronaux.
Le livre couvre un large éventail de sujets qui ne sont généralement pas inclus dans les textes d'introduction à l'apprentissage automatique, y compris l'apprentissage supervisé, la théorie de la décision bayésienne, les méthodes paramétriques, les méthodes semi-paramétriques, les méthodes non paramétriques, l'analyse multivariée, les modèles de Markov cachés, l'apprentissage par renforcement, les machines à noyaux, les modèles graphiques, l'estimation bayésienne et les tests statistiques. La quatrième édition propose un nouveau chapitre sur l'apprentissage profond qui traite de l'entraînement, de la régularisation et de la structuration des réseaux neuronaux profonds tels que les réseaux convolutifs et les réseaux adversaires génératifs.
Nouveau matériel dans le chapitre sur l'apprentissage par renforcement qui couvre l'utilisation des réseaux profonds, les méthodes de gradient de politique et l'apprentissage par renforcement profond.
Nouveau matériel dans le chapitre sur les perceptrons multicouches sur les autoencodeurs et le réseau word2vec.
Une discussion sur une méthode populaire de réduction de la dimensionnalité, le t-SNE. De nouvelles annexes offrent des informations de base sur l'algèbre linéaire et l'optimisation. Les exercices de fin de chapitre aident les lecteurs à appliquer les concepts appris. Introduction à l'apprentissage automatique peut être utilisé dans le cadre de cours destinés aux étudiants de premier cycle et aux étudiants diplômés, ainsi que comme ouvrage de référence pour les professionnels.
| ISBN : | 9780262043793 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2020 |
| Nombre de pages : | 712 |
Actuellement disponible, en stock.
