Avis des lecteurs
Résumé:Le livre offre une introduction approfondie à l'apprentissage supervisé, combinant des idées théoriques avec des exemples pratiques et des scripts R. Cependant, certains critiques expriment leur insatisfaction, soulignant les fautes de frappe et affirmant que le livre ne parvient pas à faciliter un apprentissage efficace.
Avantages:⬤ Une bonne profondeur théorique
⬤ des exemples pratiques avec des scripts R
⬤ des illustrations et des graphiques efficaces
⬤ conçus pour aider les humains à apprendre l'apprentissage automatique.
⬤ Nombreuses coquilles
⬤ certains évaluateurs estiment qu'il ne facilite pas l'apprentissage
⬤ efficacité globale mitigée.
(basé sur 4 avis de lecteurs)
Titre original :
Machine Learning: A Practical Approach on the Statistical Learning Theory
Contenu du livre :
Ce livre présente la théorie de l'apprentissage statistique de manière détaillée et facile à comprendre, à l'aide d'exemples pratiques, d'algorithmes et de codes sources. Il peut être utilisé comme manuel dans les cours de fin d'études ou de premier cycle, pour les autodidactes, ou comme référence en ce qui concerne les principaux concepts théoriques de l'apprentissage automatique. Les concepts fondamentaux de l'algèbre linéaire et de l'optimisation appliqués à l'apprentissage automatique sont fournis, ainsi que les codes sources en R, ce qui rend le livre aussi autonome que possible.
Il commence par une introduction aux concepts et algorithmes de l'apprentissage automatique tels que le perceptron, le perceptron multicouche et les plus proches voisins pondérés par la distance, avec des exemples, afin de fournir les bases nécessaires pour que le lecteur puisse comprendre le dilemme biais-variance, qui est le point central de la théorie de l'apprentissage statistique.
Ensuite, nous introduisons toutes les hypothèses et formalisons la théorie de l'apprentissage statistique, ce qui permet l'étude pratique de différents algorithmes de classification. Ensuite, nous poursuivons avec les inégalités de concentration jusqu'à ce que nous arrivions à la généralisation et aux limites des grandes marges, fournissant les principales motivations pour les machines à vecteurs de support.
Nous introduisons ensuite tous les concepts d'optimisation nécessaires à la mise en œuvre des machines à vecteurs de support. Le livre se termine par une discussion sur les noyaux SVM en tant que moyen et motivation pour étudier les espaces de données et améliorer les résultats de classification.
Autres informations sur le livre :
| ISBN : | 9783319949888 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2018 |
| Nombre de pages : | 362 |
Achat:
Actuellement disponible, en stock.
