Schimpfen Sie weiter. Ich fürchte, ich fand dieses Buch als Referenz für maschinelles Lernen weitgehend unbrauchbar. Es ist möglicherweise eine gute Einführung in die Mathematik bestimmter Arten des maschinellen Lernens (Anmerkung: SVM wird nicht diskutiert, es passt "nicht gut zum Bayes'schen Ansatz"). Ich fand die Mathematik nicht besonders gut erklärt, und diese Mathematik setzt weitaus mehr Mathematik und Prob / Stat-Exposition voraus, als der Autor im vorderen Teil des Buches behauptet (Bachelor-Abschluss mit nur linearer Algebra, aber das Buch ist teilweise gefüllt Differenzierung und unzählige Annahmen über Wahrscheinlichkeit, Bayes'sche Methoden und Praktiken sowie mathematische Modellierungskonventionen). Er ignoriert fast vollständig die praktischen Aspekte der Bayes'schen Analyse (MCMC usw.) zugunsten der sehr alten Art, Dinge mit "konjugierten" Verteilungen usw. zu tun; Niemand macht die Dinge mehr so, zumindest nicht in den Kreisen des maschinellen Lernens, in denen ich unterwegs bin. Sein Ansatz ist möglicherweise etwas zu abhängig vom EM-Algorithmus, das kann ich nicht wirklich beurteilen. Die Beispiele sind flüchtig und enthalten normalerweise keine tatsächlichen Berechnungen oder Schritte, die zeigen, wie die Dinge in der Praxis tatsächlich gemacht werden. Es gibt keine Antworten auf Übungen. Der Code ist bestenfalls fleckig und wird in Matlab erstellt, wodurch er fest im "akademischen" Rahmen für maschinelles Lernen verankert ist und nicht an einem praktischeren Ort. Hinzu kommt, dass ich eine Kopie des Buches erhalten habe, die mit fehlenden Seiten falsch gebunden war und die ich für einen Ersatz zurückgeben musste. Qualitätsprobleme auf allen Ebenen. Na ja, schimpfen Sie.

Dies ist kein Buch über maschinelles Lernen im Allgemeinen (zum Beispiel kein SVM), aber es ist eine sehr lesenswerte Einführung in den Bayes'schen Ansatz

Sehr gutes allgemeines maschinelles Lernen / grafisches Modellbuch, viel zugänglicher als Bishop! Mir hat die Betonung fehlender Werte in einigen Kapiteln gefallen. Ich würde den mittleren Teil des Buches als gute, aber etwas unorthodoxe Einführung in das maschinelle Lernen empfehlen.

Ich denke, dass ich weder den Autor noch die Qualität des Schreibens hier vorstellen muss. David Barber ist ein sehr berühmter und oft zitierter Autor auf diesem Gebiet.

Ich schätze, dass der Autor eine Version dieses Buches online frei verfügbar gemacht hat, und trotz einiger Auslassungen ist die Breite beeindruckend, aber ich fand einige der Beweise unverständlich und die Gesamtstruktur nicht so hilfreich. Ich würde sagen, dass EOSL als Allzweck-ML-Lehrbuch besser ist.