Startseite
> Informatik
> Künstliche Intelligenz
> Science
> Maschinelles Lernen: Eine probabilistische Perspektive Bewertung
Maschinelles Lernen: Eine probabilistische Perspektive
Machine Learning: A Probabilistic PerspectiveVon Kevin P. Murphy
Rezensionen: 14 | Gesamtbewertung: Gut
Ausgezeichnet | |
Gut | |
Durchschnitt | |
Schlecht | |
Schrecklich |
Eine umfassende Einführung in das maschinelle Lernen, bei der probabilistische Modelle und Inferenzen als einheitlicher Ansatz verwendet werden. Die heutige webfähige Flut elektronischer Daten erfordert automatisierte Methoden zur Datenanalyse. Maschinelles Lernen bietet diese Methoden zur Entwicklung von Methoden, mit denen Muster in Daten automatisch erkannt und anhand der nicht abgedeckten Muster zukünftige Daten vorhergesagt werden können. Diese
Rezensionen
Davon abgesehen ist dies vielleicht der beste moderne "Referenz" -Text zu Methoden des maschinellen Lernens. Wenn Sie bereits wissen, wo viele Methoden in der gesamten Landschaft des maschinellen Lernens existieren, ist dieses Buch absolut fantastisch.
Dieses Buch beschreibt sich selbst als Bayesianisch, aber es ist deutlich weniger als viele andere Texte (z. B. Bishop's PRML oder die frequentistische Neigung von Hasties ESL). Stattdessen sind die meisten Algorithmen hauptsächlich durch Konventionen / Mode in der Community des maschinellen Lernens motiviert. Insbesondere wird nahezu jeder Algorithmus als konvexe Relaxation zur tatsächlichen posterioren Verteilung dargestellt, so dass unsere modernen Optimierungsalgorithmen MAP-Lösungen bei einem relativ großen Datensatz computerisieren können. Echte Bayes'sche Inferenzmethoden sind eher ein nachträglicher Gedanke, der durch ihre Behandlung erst in viel späteren Kapiteln von MCMC / Stichproben- und Variationsansätzen "belegt" wird.
Kaufen Sie dieses Buch! Kaufen Sie einige Seitenmarkierungen dafür! Kaufen Sie aber auch einen Begleittext für prinzipiellere Herangehensweisen an die Grundlagen.
Sicherlich wird es nicht jedem empfohlen, aber zumindest allen, die das maschinelle Lernen auf sehr umfassende Weise verstehen wollen.
Das Buch beginnt mit einem kurzen Überblick über die Arten von Problemen, auf die maschinelles Lernen angewendet werden kann, und skizziert die Arten von Methoden, mit denen diese Probleme modelliert werden können.
Nach einer kurzen Einführung in die Wahrscheinlichkeit werden die verbleibenden 27 Kapitel auf rund tausend Seiten ausführlich zu diesen und verwandten Themen behandelt.
Aufgrund der Art des Materials besteht ein Großteil des Inhalts aus mathematischen Gleichungen und Beweisen. Numerische Beispiele sind rar. Die Autoren verlassen sich vielmehr auf die mathematische Intuition des Lesers, die durch eine Vielzahl grafischer Darstellungen gestützt wird.
Wo relevant, werden Übersichten über reale Anwendungen verschiedener Techniken bereitgestellt, die dazu beitragen, das eher abstrakte Thema konkreter zu machen. Darüber hinaus steht der MATLAB- und GNU-Oktavcode, der die im Buch angegebenen Algorithmen implementiert, als Download auf der Website des Buches frei zur Verfügung.
Der Stil des Autors ist einfach, aber maßgeblich, mit nützlichen Erklärungen und Nebenbemerkungen. Das Buch ist jedoch als Lehrbuch gedacht und erfordert vom Leser besondere Aufmerksamkeit. In Abwesenheit eines Ausbilders,
Ich habe häufig nach anderen Ressourcen gegriffen, um die im Buch gegebenen Erklärungen zu unterstützen, obwohl dies wahrscheinlich darauf zurückzuführen ist, dass ich die erforderlichen Hintergrundthemen nicht ausreichend verstanden habe.
Die Übungen finden Sie am Ende jedes Kapitels. Obwohl den Lehrern offenbar Lösungen zur Verfügung stehen, werden sie im Buch nicht aufgeführt.
Dieses umfassende Buch dürfte für Lernende und Praktiker im Bereich des maschinellen Lernens von großem Interesse sein.
Bewertet von Patrick Hill CEng MBCS CITP
Es gibt viele Tippfehler in den ersten 3 Drucken. Der 4. (und später) ist viel besser. Was ich gekauft habe (11), ist der 24. Druck (der gleiche wie der 2017.).
Der einzige Nachteil ist, dass es an Material für Deep-Learning-Techniken mangelt.