Aprendizaje automático aplicado

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 4 votos.

Título original:

Applied Machine Learning

Contenido del libro:

Los métodos de aprendizaje automático son actualmente una herramienta importante para científicos, investigadores, ingenieros y estudiantes en una amplia gama de áreas. Este libro está escrito para personas que desean adoptar y utilizar las principales herramientas del aprendizaje automático, pero que no necesariamente van a querer ser investigadores de aprendizaje automático. Destinado a estudiantes de los últimos cursos de licenciatura o del primer año de los programas de posgrado de informática en aprendizaje automático, este libro de texto es un conjunto de herramientas de aprendizaje automático. Applied Machine Learning cubre muchos temas para las personas que quieren utilizar los procesos de aprendizaje automático para hacer las cosas, con un fuerte énfasis en el uso de herramientas y paquetes existentes, en lugar de escribir su propio código.

Este libro, que acompaña a Probability and Statistics for Computer Science del autor, retoma el tema donde lo dejó el libro anterior (pero también proporciona un resumen de probabilidad que el lector puede utilizar).

Haciendo hincapié en la utilidad de la maquinaria estándar de la estadística aplicada, este libro de texto ofrece una visión general de las principales áreas aplicadas en el aprendizaje, incluyendo la cobertura de: - clasificación utilizando maquinaria estándar (bayas ingenuas; vecino más cercano; SVM)- agrupación y cuantificación vectorial (en gran parte como en PSCS)- PCA (en gran parte como en PSCS)- variantes de PCA (NIPALS; análisis semántico latente; regresión lineal (en gran parte como en PSCS)- modelos lineales generalizados incluyendo regresión logística- selección de modelos con Lasso, elasticnet- robustez y m-estimadores- cadenas de Markov y HMM's (en gran parte como en PSCS)- EM con bastante detalle; la larga experiencia en la enseñanza de esto sugiere que se requiere un ejemplo detallado, que los estudiantes odian; pero una vez que han pasado por eso, el siguiente es fácil - modelos gráficos simples (en la sección de inferencia variacional) - clasificación con redes neuronales, con un énfasis particular en la clasificación de imágenes - autocodificación con redes neuronales - aprendizaje de estructuras.