L'apprentissage automatique probabiliste : Une introduction

Avis des lecteurs

Résumé:

Le livre est largement salué comme une ressource complète et bien structurée pour comprendre l'apprentissage automatique, en particulier l'apprentissage automatique probabiliste. Les critiques apprécient le style d'écriture attrayant, la clarté et la profondeur du contenu. Cependant, plusieurs utilisateurs ont signalé des problèmes liés à la qualité physique du livre, notamment des dommages à la livraison et une mauvaise qualité du papier.

Avantages:

⬤ Couverture complète des sujets liés à l'apprentissage automatique.
⬤ Explications engageantes et intuitives de concepts complexes.
⬤ Utile pour les débutants comme pour les lecteurs avancés.
⬤ Ressource précieuse pour comprendre la théorie de l'apprentissage automatique et les avancées récentes.
⬤ Encouragé pour ceux qui cherchent à s'engager dans la littérature et la recherche de haut niveau sur l'apprentissage automatique.

Inconvénients:

⬤ Problèmes fréquents concernant la qualité physique des livres, notamment des couvertures déchirées et des dos abîmés.
⬤ Une certaine insatisfaction concernant la qualité de l'impression et du papier pour le prix.
⬤ Pas de solutions fournies pour les exercices, ce qui a déçu certains lecteurs.
⬤ Des rapports sur des exemplaires défectueux qui ont créé des expériences d'achat négatives.

(basé sur 40 avis de lecteurs)

Titre original :

Probabilistic Machine Learning: An Introduction

Contenu du livre :

Une introduction détaillée et actualisée à l'apprentissage automatique, présentée sous l'angle unificateur de la modélisation probabiliste et de la théorie bayésienne de la décision.

Ce livre propose une introduction détaillée et actualisée à l'apprentissage automatique (y compris l'apprentissage profond) à travers le prisme unificateur de la modélisation probabiliste et de la théorie de la décision bayésienne. Le livre couvre le contexte mathématique (y compris l'algèbre linéaire et l'optimisation), l'apprentissage supervisé de base (y compris la régression linéaire et logistique et les réseaux neuronaux profonds), ainsi que des sujets plus avancés (y compris l'apprentissage par transfert et l'apprentissage non supervisé). Les exercices de fin de chapitre permettent aux étudiants d'appliquer ce qu'ils ont appris, et une annexe couvre la notation.

L'apprentissage automatique probabiliste est issu du livre de l'auteur paru en 2012, Machine Learning : A Probabilistic Perspective. Plus qu'une simple mise à jour, il s'agit d'un livre entièrement nouveau qui reflète les développements spectaculaires survenus dans le domaine depuis 2012, en particulier l'apprentissage profond. En outre, le nouveau livre est accompagné d'un code Python en ligne, utilisant des bibliothèques telles que scikit-learn, JAX, PyTorch, et Tensorflow, qui peut être utilisé pour reproduire presque toutes les figures ; ce code peut être exécuté à l'intérieur d'un navigateur web en utilisant des notebooks basés sur le cloud, et fournit un complément pratique aux sujets théoriques discutés dans le livre. Ce texte d'introduction sera suivi d'une suite qui couvrira des sujets plus avancés, en adoptant la même approche probabiliste.

Autres informations sur le livre :

• ISBN : 9780262046824
• Auteur : P. Murphy Kevin
• Éditeur : Mit Pr
• Reliure : Relié
• Année de publication : 2022
• Nombre de pages : 944