Avis des lecteurs
Résumé:Ce livre est largement considéré comme l'une des meilleures ressources pour l'apprentissage automatique, loué pour sa couverture complète, sa rigueur mathématique et ses explications perspicaces. Cependant, il a été critiqué pour ses erreurs typographiques, ses problèmes d'organisation et la qualité variable de l'écriture d'un chapitre à l'autre, ce qui le rend moins adapté aux débutants.
Avantages:⬤ Un contenu riche et une couverture complète des sujets liés à l'apprentissage automatique, y compris les techniques avancées.
⬤ Des explications perspicaces qui aident à développer l'intuition derrière les concepts.
⬤ Traitement approfondi et bien organisé des approches probabilistes.
⬤ Le logiciel d'accompagnement est utile et améliore la compréhension.
⬤ Bon pour les apprenants expérimentés et les chercheurs à la recherche d'un ouvrage de référence.
⬤ De nombreuses erreurs typographiques et techniques, dont certaines sont suffisamment importantes pour gêner la compréhension.
⬤ Des problèmes d'organisation qui peuvent rendre le texte difficile à suivre, avec des références à des chapitres ultérieurs qui peuvent désorienter les lecteurs.
⬤ Une qualité d'écriture incohérente d'un chapitre à l'autre.
⬤ Trop abstrait pour certaines descriptions, nécessitant des ressources externes.
⬤ N'est pas recommandé comme ressource d'apprentissage primaire pour les débutants.
(basé sur 162 avis de lecteurs)
Titre original :
The Machine Learning: A Probabilistic Perspective
Contenu du livre :
Une introduction complète à l'apprentissage automatique qui utilise les modèles probabilistes et l'inférence comme approche unificatrice.
Le déluge de données électroniques que connaît aujourd'hui le Web exige des méthodes automatisées d'analyse des données. L'apprentissage automatique fournit ces méthodes, en développant des méthodes qui peuvent automatiquement détecter des modèles dans les données et ensuite utiliser les modèles découverts pour prédire les données futures. Ce manuel propose une introduction complète et autonome au domaine de l'apprentissage automatique, basée sur une approche probabiliste unifiée.
La couverture combine largeur et profondeur, offrant le matériel de base nécessaire sur des sujets tels que les probabilités, l'optimisation et l'algèbre linéaire, ainsi qu'une discussion sur les développements récents dans le domaine, y compris les champs aléatoires conditionnels, la régularisation L1, et l'apprentissage profond. Le livre est écrit dans un style informel et accessible, avec des pseudo-codes pour les algorithmes les plus importants. Tous les sujets sont abondamment illustrés par des images en couleur et des exemples pratiques tirés de domaines d'application tels que la biologie, le traitement de texte, la vision par ordinateur et la robotique. Plutôt que de fournir un livre de cuisine de différentes méthodes heuristiques, le livre met l'accent sur une approche basée sur des principes, en utilisant souvent le langage des modèles graphiques pour spécifier les modèles d'une manière concise et intuitive. Presque tous les modèles décrits ont été mis en œuvre dans un progiciel MATLAB - PMTK (probabilistic modeling toolkit) - qui est disponible gratuitement en ligne. Ce livre s'adresse aux étudiants de premier cycle de niveau supérieur ayant une formation en mathématiques de niveau universitaire, ainsi qu'aux étudiants de deuxième cycle débutants.
Autres informations sur le livre :
| ISBN : | 9780262018029 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2012 |
| Nombre de pages : | 1104 |
Achat:
Actuellement disponible, en stock.
