Casa > Ciência da Computação > Inteligência Artificial > Ciência > Aprendizado de máquina: uma perspectiva probabilística Reveja

Aprendizado de máquina: uma perspectiva probabilística

Machine Learning: A Probabilistic Perspective
Por Kevin P. Murphy
Avaliações: 14 | Classificação geral: Boa
Excelente
10
Boa
2
Média
2
Mau
0
Horrível
0
Uma introdução abrangente ao aprendizado de máquina que usa modelos probabilísticos e inferência como uma abordagem unificadora. Hoje, o dilúvio de dados eletrônicos ativado pela Web de hoje exige métodos automatizados de análise de dados. O aprendizado de máquina fornece esses métodos, desenvolvendo métodos que podem detectar padrões automaticamente nos dados e, em seguida, usar os padrões descobertos para prever dados futuros. este

Avaliações

05/18/2020
Trinee Gackle

É difícil dizer que alguém realmente "leu" todo este livro - ele se parece com todos os algoritmos populares de aprendizado de máquina. Eu não o recomendaria para uma introdução ao aprendizado de máquina, não devido às habilidades técnicas necessárias (pois na verdade é muito mais leve em matemática do que outros livros semelhantes), mas principalmente devido ao método e profundidade em que o autor introduz o material.

Dito isto, talvez este seja o melhor texto "de referência" moderno sobre métodos de aprendizado de máquina. Se você já conhece os métodos existentes no cenário geral do aprendizado de máquina, este livro é absolutamente fantástico.

Este livro descreve-se como sendo bayesiano, mas claramente é menos do que muitos outros textos (por exemplo, o PRML de Bishop ou a tendência freqüente da ESL de Hastie). Em vez disso, a maioria dos algoritmos é motivada principalmente pelo que é convenção / moda na comunidade de aprendizado de máquina. Em particular, praticamente todos os algoritmos são colocados como um relaxamento convexo da distribuição posterior real, de modo que nossos algoritmos modernos de otimização podem computar soluções de MAP, considerando qualquer conjunto de dados razoavelmente grande. Os métodos de inferência bayesiana verdadeira são mais tardios, "evidenciados" por seu tratamento apenas em capítulos posteriores de abordagens MCMC / amostragem e variacionais.

Compre este livro! Compre alguns marcadores de página para ele! Mas também compre um texto em anexo para abordagens mais básicas dos princípios.
05/18/2020
Charisse Zeilman

Bem, embora este livro não seja feito para fins de leitura (no uso comum da palavra leitura). Mas achei muito interessante. Ele contém tudo o que está relacionado ao Machine Learning, todo algoritmo usado, toda abordagem moderna desenvolvida. Gostei de como Murphy ordenou os tópicos do livro.
Certamente não é recomendado para todos, mas pelo menos recomendado para quem deseja entender profundamente o Machine Learning de uma maneira muito abrangente.
05/18/2020
Tiebold Vent

Excelente manual sobre aprendizado estatístico, fornecendo uma explicação bayesiana simples para os modelos estatísticos mais comuns. Alguns bons exemplos: o autor explica a diferença entre mínimos quadrados, cordilheira, laço etc. de diferentes associações de distribuições para a função de probabilidade e anterior; ou o MLE (alta variação / possível sobreajuste) é a estimativa do MAP (alto viés) com uniforme anterior, etc. Faz com que algo que muitas vezes se parece com diferentes receitas de culinária seja uma ontologia de conceitos relacionados claros. Inclui também algumas tabelas de resumo úteis (consulte, por exemplo, a Tabela 8.1 para uma longa lista de modelos, classificados como classificação / regressão, generativa / discriminativa, paramétrica / não paramétrica). Muito pedagógico. No entanto, devido à extensão e às vezes profundidade da matemática, um livro para ler em diferentes níveis, dependendo do que o leitor está procurando. Além disso, sinto que os aspectos apresentados na segunda metade do livro (árvores, SVM, redes neurais, cadeias de Markov, etc., etc., etc.) são tão variados, mas tão técnicos, que os livros se concentraram nesses modelos específicos pode ser preferido para alguns esclarecimentos.
05/18/2020
Sylvester Krafft

O conteúdo do livro é fantástico (cinco estrelas), embora ligeiramente desatualizado em 2016. No entanto, a primeira impressão é tão cheia de erros de digitação (zero estrelas) que é difícil entender como a versão foi impressa. Claramente, ninguém leu antes de imprimir a aprovação. Eu não recomendaria a primeira edição a ninguém, a menos que sejam especialistas com a capacidade de verificar e, se necessário, reescrever todas as equações.
05/18/2020
Paske Fanny

Ainda relevante, ainda uma referência útil, mesmo neste dia da mania de aprendizado de máquina. Clara e bem exposta.
05/18/2020
Nikolai Byler

Este livro substancial é uma introdução profunda e detalhada ao campo de aprendizado de máquina, usando métodos probabilísticos. Destina-se a um nível de pós-graduação e assume uma formação matemática que inclui cálculo, estatística e álgebra linear.

O livro inicia com uma breve pesquisa sobre os tipos de problemas aos quais o aprendizado de máquina pode ser aplicado e esboça os tipos de métodos que podem ser usados ​​para modelar esses problemas.

Após uma breve introdução à probabilidade, os 27 capítulos restantes, em mais de mil páginas, se aprofundam sobre esses e outros tópicos relacionados.

Devido à natureza do material, grande parte do conteúdo é de equações e provas matemáticas. Exemplos numéricos são escassos. Em vez disso, os autores confiam na intuição matemática do leitor, suportada por uma variedade de ilustrações gráficas.

Onde relevante, são fornecidas visões gerais das aplicações do mundo real de várias técnicas, que ajudam a tornar o assunto bastante abstrato mais concreto. Além disso, o código MATLAB e GNU Octave, que implementa os algoritmos fornecidos no livro, está disponível gratuitamente para download no site do livro.

O estilo do autor é fácil, mas autoritário, com explicações úteis e apartes. Dito isto, o livro pretende ser um livro didático do curso e exige que o leitor preste muita atenção. Na ausência de um instrutor,

Freqüentemente, encontrava-me buscando outros recursos para apoiar as explicações dadas no livro, embora isso provavelmente se deva ao fato de eu não entender suficientemente os tópicos de fundo necessários.

Os exercícios estão incluídos no final de cada capítulo; no entanto, embora aparentemente haja soluções disponíveis para os instrutores, elas não são fornecidas no livro.

Este livro abrangente deve ser de grande interesse para alunos e profissionais no campo do aprendizado de máquina.

Avaliado por Patrick Hill CEng MBCS CITP
05/18/2020
Holtorf Freije

Isso pode se tornar um livro de referência muito bom para aprendizado de máquina. Um bom complemento ao reconhecimento de padrões e aprendizado de máquina por Bishop.
05/18/2020
Macy Fusco

O melhor livro sobre aprendizado de máquina que li, especialmente para aqueles que gostam e entendem a abordagem bayesiana da probabilidade. É bastante matemático e leve, mas há bastante código disponível; confira o novo código Python para a próxima edição (que provavelmente será ainda melhor do que esta edição, eu acho).
05/18/2020
Humphrey Hesby

Este livro é incrível. eu realmente gosto de ler isto. Kevin Murphy é um ótimo professor e excelente pesquisador. Você pode obter muitas informações ausentes de livros ou blogs práticos.
Existem muitos erros de digitação nas 3 primeiras impressões. O quarto (e mais tarde) é muito melhor. O que eu comprei (4/11/24) é a 2017ª impressão (a mesma que a 6ª).
05/18/2020
Viviana Wubbel

Dicionário Oxford para aprendizado de máquina. Limpar fórmulas.
A única desvantagem é que falta material para técnicas de aprendizado profundo.
05/18/2020
Crooks Lokhmator

Uma perspectiva estatística ou uma perspectiva de otimização tem suas próprias limitações. Talvez uma abordagem como o SGVB possa ser uma opção promissora.
05/18/2020
Geaghan Scaife

Manual sólido para o campo ML. Embora eu tenha achado a escrita pesada e não tenha sido fácil entender os conceitos, você teria que procurar por páginas.
05/18/2020
Melisenda Butman

Li até 3.5 (P82, classificadores Naive Bayes) e acho muito difícil e abstrato para continuar. Em ... Talvez eu devesse começar de um mais fácil?
05/18/2020
Sims Headland

Sólido, mas precisava de melhor notação. A notação ficou muito complicada no final e obscureceu muita intuição por trás do que estava acontecendo.

Deixe um comentário para Aprendizado de máquina: uma perspectiva probabilística