Dies ist ein Einführungsbuch zum maschinellen Lernen. Das Buch enthält ziemlich viel Mathematik und Statistik, was mir gefällt. Eine Vielzahl von Methoden und Algorithmen wird vorgestellt:

Neuronale Netze
Bayesianisches Lernen
Genetische Algorythmen
Verstärkung lernen

Das behandelte Material ist sehr interessant und klar erklärt. Ich finde die Präsentation allerdings etwas mangelhaft. Ich denke, es hat mit den gewählten Schriftarten und dem Fehlen einer Hervorhebung wichtiger Begriffe zu tun. Vielleicht wäre es besser gewesen, auch kürzere Absätze zu haben.

Wenn Sie gerade nach einem Einführungsbuch zum maschinellen Lernen suchen, würde ich dieses Buch nicht empfehlen, da in den letzten Jahren bessere Bücher zu diesem Thema geschrieben wurden. Diese sind offensichtlich besser, weil sie die Abdeckung moderner Techniken beinhalten. Ich gebe diesem Buch 3 von 5 Sternen.

Tolles Intro zu ML! Für jemanden, der keinen formalen Comp Sci-Hintergrund hat, hat mir das viel abgenommen. Ich fand es hilfreich, nach jedem Kapitel anzuhalten und mir einen neueren Vortrag anzuhören, um offene Fragen zu klären. Ich empfehle dringend, dieses Buch in Verbindung mit dem ML-Einführungskurs von Professor Ng zu lesen.

Dies ist ein sehr kompakter, dicht geschriebener Band. Es behandelt alle Grundlagen des maschinellen Lernens: Perzeptrone, Support-Vektor-Maschinen, neuronale Netze, Entscheidungsbäume, Bayes'sches Lernen usw. Algorithmen werden erklärt, jedoch von einem sehr hohen Niveau aus, sodass dies keine gute Referenz ist, wenn Sie suchen für Tutorials oder Implementierungsdetails. Es ist jedoch sehr praktisch, es für eine schnelle Referenz in Ihrem Regal zu haben.

Liebte dieses Buch wirklich!

Dies war mein Einführungsbuch darüber, wie und warum maschinelles Lernen funktioniert. Ich komme immer noch von Zeit zu Zeit auf dieses Buch zurück, um als Bezugspunkt zu dienen!

Meiner Meinung nach liefert Tom Mitchell einige gute motivierende Beispiele für die Algorithmen und erklärt einfach und klar, wie sie funktionieren.

Ich habe viel aus diesem Buch gelernt. Der Autor geht von sehr geringen Vorkenntnissen in Mathematik und Statistik aus. Aus diesem Grund achtet er darauf, Gleichungen aus einer strengen und intuitiven Perspektive gründlich zu erklären.

Das Buch ist alt und Sie werden viele Referenzen aus den 1980er und 1990er Jahren sehen. Bei den Inhalten geht es jedoch nicht um eine bestimmte Technologie, sondern um die grundlegenden Ideen im Bereich des maschinellen Lernens. Aus diesem Grund ist der Inhalt meiner Meinung nach immer noch relevant.

Ich würde dieses Buch jedem Anfänger des maschinellen Lernens empfehlen, der tiefer in das Feld eintauchen möchte.

Dieses Buch ist ein Klassiker, aber ich kann es nicht ertragen - für mich verkörpert es alles, was daran falsch ist, wie maschinelles Lernen oft gelehrt wird. ML-Leute präsentieren die Welt gerne unter dem Gesichtspunkt der Optimierung einer Kostenfunktion für zukünftige Beispiele und sehen alles durch diese Linse. Diese Weltanschauung kann für die Forschung auf Hochschulniveau nützlich sein, aber es funktioniert nicht für den Einführungsunterricht - es führt nicht dazu, dass der Schüler eine nützliche Intuition entwickelt, und Menschen, die auf diese Weise lernen, sind arbeitslos.

Dieses Buch ist alt, aber ich dachte, es wäre eine großartige Einführung in das maschinelle Lernen. Ich hatte noch nie von Random Forrests gehört, bevor ich dieses Buch gelesen hatte, und das war sehr hilfreich, ABER von Ihnen bereits viel über ML, denken Sie an etwas anderes. Dies ist eine intuitive Einführung für Personen mit grundlegenden mathematischen Fähigkeiten oder für Studenten im ersten Jahr (möglicherweise sogar für motivierte Bachelor-Studenten).

Lesen Sie es im Jahr 2018 zurück. Ich denke, es war mein erstes Buch über ML. Wenn Sie sich mit Wahrscheinlichkeit, Statistik und linearer Algebra auskennen und einen Überblick über die traditionelle ML erhalten möchten, sollte dies ein guter Wochenendkurs für ML sein. : D.

Ein wenig veraltet, hatte aber eine gute Möglichkeit, maschinelles Lernen einzuführen und Lernalgorithmen nach ihren induktiven Vorurteilen zu klassifizieren. Ich würde andere modernere Bücher empfehlen, wie das von Kevin Murphy.

Wahrscheinlich das erste Buch, das Sie im akademischen Umfeld beim Studium des maschinellen Lernens haben möchten. Es ist einfach, aber effektiv und enthält weniger mathematische Mind-Twister und mehr Konzepte für Algorithmen für maschinelles Lernen.

Eine sehr schöne Einführung in das maschinelle Lernen. Es gibt solide Grundlagen. Es gibt jedoch nur sehr wenige Beispiele.

Lehrbücher wie dieses machen vielleicht keinen "Spaß" beim Lesen, aber manchmal sind sie durchaus notwendig. Ich habe Tom Mitchells klassisches Umfragebuch zum maschinellen Lernen zusammen mit einer Umfrage zum maschinellen Lernen gelesen, wie Sie sich vorstellen können ... und fand es ziemlich hilfreich. Während der Professor meiner Klasse sich bemühte, Konzepte und Algorithmen und dergleichen zu erklären, begann ich selten, die Vorlesungen zu verstehen, bis ich das Lehrbuch las.

Ein wichtiger Punkt für das Lesen dieses Buches: Jedes Kapitel und jeder Abschnitt baut auf früheren Inhalten auf. Daher ist das Lesen von Anfang an eine gute Idee (trotz der Aussagen des Intro über das Springen in das von Ihnen benötigte Kapitel). Mitchell ist immer darauf bedacht, die Terminologie und dergleichen zu erklären, sodass Sie sie nicht unbedingt an anderer Stelle nachschlagen müssen. Wenn also ein Begriff auftaucht, mit dem Sie nicht vertraut sind, stehen die Chancen gut, dass Sie die frühere Erklärung verpasst haben!

Ein einfacher, ansprechender Text mit einer guten Auswahl an Einführungsthemen aus dem Bereich des maschinellen Lernens. Mitchell befasst sich unter anderem mit Entscheidungsbäumen, neuronalen Netzen, Bayes'schen Methoden, Regeln und Konzeptlernen sowie dem Bestärkungslernen. Jedes wird auf genau der richtigen Ebene behandelt: genug Details, um die Konzepte zu kauen, aber kein Slog in die Randdetails dieser oder jener Technik. Empfohlen als gutes Starter-Kit für alle, die sich für maschinelles Lernen interessieren: Von hier aus können Sie in verschiedene Richtungen starten oder bei Bedarf mit anderen Ressourcen ergänzen. Die einzige Einschränkung ist, dass es ein bisschen veraltet ist (und keine Berichterstattung über unbeaufsichtigtes Lernen), obwohl dies eine kleine Lücke für eine leichte Einführung in die Theorie und Konzepte hinter den verschiedenen Lernansätzen ist.

Maschinelles Lernen von Tom Mitchell war eine gute Lektüre, die überraschend leicht in der Mathematik war. Es wurden verschiedene Algorithmen für maschinelles Lernen behandelt, darunter: Konzeptlernen, Entscheidungsbaum, Neuronale Netze, Bayes'sche, genetische Algorithmen, analytisches Lernen und Verstärkungslernen. Es wird auch erwähnt, wie Algorithmen bewertet werden, die eine Trainingssatz-Grenzgleichung bereitstellen, und wie die Hypothese unter Verwendung von Konfidenzintervallen bewertet wird. Ich mochte die Struktur und das Wiederauftreten spezifischer Konzepte, mit denen ich nicht vertraut war, wie induktive Verzerrung und Suchraum für Hypothesen. Der Anfang, der Concept Learning verwendete, war als Proxy sehr nützlich, da die späteren Algorithmen komplexer werden.

Das Buch macht einen guten Job und fasst verschiedene Forschungsbereiche des maschinellen Lernens zusammen. Es fehlen jedoch genügend formale Behandlungen. Es enthält auch nicht genügend Details für jedes Thema, sodass der Lesevorgang die Algorithmen zum Anwenden dieser Algorithmen vollständig verstehen kann. Ich würde empfehlen, dieses Buch als Überblick über maschinelles Lernen zu lesen und anschließend Bücher zu jedem einzelnen Thema zu lesen.

Sehr klare Prosa. Deckt eine interessante Stichprobe sowohl probabilistischer als auch nicht-probabilistischer Methoden ab. Es fühlt sich etwas veraltet an, da es keine wichtigen Methoden abdeckt, die im letzten Jahrzehnt entwickelt wurden, wie z. B. Support-Vektor-Maschinen. Trotzdem werden die behandelten Themen sehr gut behandelt.

Dies ist etwas schwieriger als das Russell AI-Buch, hat aber nicht das Problem, nicht vollständig zu sein. Es wird nicht versucht, einfache Beispiele zu nennen, aber die Mathematik ist vollständig oder vollständig genug für mich. Ich habe nicht alles beendet. Es ist eher eine Referenz.

Dieses Buch bietet eine Einführung in maschinelles Lernen und in einfachen Worten. Ein großartiger Ort, um mit maschinellem Lernen zu beginnen

Ein echter Klassiker. Leider ist dieses Buch schon ziemlich alt. Eine aktualisierte Ausgabe wäre sehr willkommen.

Diese Ausgabe dieses Buches ist etwas veraltet, aber dies ist immer noch mein Lieblingsbuch für maschinelles Lernen. Ich denke jedoch, dass eine neuere Ausgabe des Buches in Arbeit ist, also suchen Sie danach.

Klares und tolles Buch.
Dieses Buch ist ein Einführungsmaterial für jeden Kurs für künstliche Intelligenz.
Es präsentiert die Grundbegriffe des maschinellen Lernens strukturiert und mit einer klaren Erklärung.

Dieses Buch bietet eine solide Grundlage, obwohl ein neueres Buch jetzt möglicherweise die bessere Wahl ist.

Außerdem hatte ich Probleme beim Fokussieren beim Lesen (was mir nicht so oft passiert).