Aprendizaje Automático: A Theoretical Approach

Opiniones de los lectores

El libro ofrece una primera visión general del aprendizaje automático teórico, mostrando el desarrollo del campo. Sin embargo, algunos lectores expresan su frustración por su enfoque abstracto y la falta de claridad en las definiciones matemáticas.

Ofrece una buena visión histórica de los primeros trabajos en aprendizaje automático; indica cómo ha avanzado el campo con el tiempo.

⬤ Contiene explicaciones abstractas y enrevesadas que pueden carecer de fluidez lógica
⬤ se percibe pretenciosidad por parte del autor
⬤ no explica adecuadamente conceptos matemáticos clave
⬤ algunos lectores consideran que no presenta una base teórica sólida.

(basado en 2 opiniones de lectores)

Título original:

Machine Learning: A Theoretical Approach

Contenido del libro:

Se trata de la primera introducción exhaustiva a la teoría del aprendizaje computacional.

La presentación uniforme que hace el autor de los resultados fundamentales y sus aplicaciones ofrece a los investigadores en IA una perspectiva teórica de los problemas que estudian. El libro presenta herramientas para el análisis de modelos probabilísticos de aprendizaje, herramientas que clasifican con nitidez lo que es y lo que no es eficientemente aprendible.

Tras una introducción general al paradigma PAC de Valiant y a la importante noción de la dimensión Vapnik-Chervonenkis, el autor explora temas específicos como los autómatas finitos y las redes neuronales. La presentación está pensada para un público amplio; la capacidad del autor para motivar y marcar el ritmo de las discusiones para principiantes ha sido elogiada por los críticos. Cada capítulo contiene numerosos ejemplos y ejercicios, así como un útil resumen de resultados importantes.

Se trata de una excelente introducción al área, adecuada para un primer curso o como componente de cursos generales de aprendizaje automático e IA avanzada. También es una referencia importante para los investigadores en IA.