Avis des lecteurs
Résumé:Le livre sur les processus gaussiens (GP) a reçu des critiques mitigées, beaucoup louant sa clarté, sa profondeur et sa pertinence pour l'apprentissage automatique, tandis que d'autres critiquent son manque d'autonomie et de profondeur.
Avantages:⬤ Explications claires et concises
⬤ utiles dans le contexte de l'apprentissage automatique
⬤ chapitres bien structurés
⬤ excellente référence pour la recherche
⬤ inclut de bonnes connexions entre les GP et d'autres méthodes comme les SVM
⬤ couverture rigide de haute qualité
⬤ prix intéressant.
⬤ Non autonome, manque de définitions pour certains termes
⬤ considéré comme trop léger en profondeur et en contenu par certains
⬤ les explications peuvent sembler trop simplistes ou circulaires
⬤ quelques plaintes concernant l'emballage.
(basé sur 18 avis de lecteurs)
Titre original :
Gaussian Processes for Machine Learning
Contenu du livre :
Une introduction complète et autonome aux processus gaussiens, qui offrent une approche probabiliste pratique et fondée sur des principes pour l'apprentissage dans les machines à noyau.
Les processus gaussiens (PG) constituent une approche probabiliste, pratique et fondée sur des principes de l'apprentissage dans les machines à noyau. Les processus gaussiens ont fait l'objet d'une attention accrue de la part de la communauté de l'apprentissage automatique au cours de la dernière décennie, et ce livre fournit un traitement systématique et unifié des aspects théoriques et pratiques des processus gaussiens dans l'apprentissage automatique, ce qui était nécessaire depuis longtemps. Le traitement est complet et autonome et s'adresse aux chercheurs et aux étudiants en apprentissage automatique et en statistiques appliquées. Le livre traite du problème de l'apprentissage supervisé pour la régression et la classification, et inclut des algorithmes détaillés. Une grande variété de fonctions de covariance (noyau) est présentée et leurs propriétés sont discutées. La sélection des modèles est abordée à la fois d'un point de vue bayésien et d'un point de vue classique. De nombreuses connexions avec d'autres techniques bien connues de l'apprentissage automatique et des statistiques sont discutées, y compris les machines à vecteurs de support, les réseaux neuronaux, les splines, les réseaux de régularisation, les machines à vecteurs de pertinence et d'autres. Des questions théoriques telles que les courbes d'apprentissage et le cadre PAC-Bayesien sont traitées, et plusieurs méthodes d'approximation pour l'apprentissage avec de grands ensembles de données sont discutées. Le livre contient des exemples illustratifs et des exercices, et le code et les ensembles de données sont disponibles sur le Web.
Les annexes présentent le contexte mathématique et une discussion sur les processus de Markov gaussiens.
Autres informations sur le livre :
| ISBN : | 9780262182539 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2005 |
| Nombre de pages : | 272 |
Achat:
Actuellement disponible, en stock.
