Aprendizaje Automático Probabilístico: Temas avanzados

Opiniones de los lectores

El libro ha sido elogiado como un recurso excepcional para aprender y comprender los conceptos del aprendizaje automático, especialmente desde una perspectiva bayesiana. Combina la teoría con ejemplos prácticos y ofrece una amplia profundidad. Sin embargo, los lectores también han destacado varios problemas, como la presencia de erratas, la dificultad del material para los principiantes y la preocupación por recibir copias falsificadas del libro.

⬤ Excelente texto de referencia para temas de aprendizaje automático.
⬤ Comprensión profunda lograda a través del aprendizaje estructurado y referencias.
⬤ Cobertura exhaustiva de los aspectos teóricos y prácticos.
⬤ Autor muy respetado con gran capacidad didáctica.
⬤ Inclusión de enlaces GitHub para ejercicios prácticos.
⬤ La versión Kindle facilita el acceso a códigos de ejemplo.

⬤ Varias erratas y errores en las ediciones impresas.
⬤ El libro puede resultar difícil para los principiantes; requiere una sólida comprensión de ciertos conceptos matemáticos.
⬤ Algunas secciones pueden ser difíciles de seguir debido a los múltiples autores.
⬤ Preocupación por recibir copias falsificadas del libro.

(basado en 10 opiniones de lectores)

Título original:

Probabilistic Machine Learning: Advanced Topics

Contenido del libro:

Un libro avanzado para investigadores y estudiantes de posgrado que trabajan en aprendizaje automático y estadística y desean aprender sobre aprendizaje profundo, inferencia bayesiana, modelos generativos y toma de decisiones bajo incertidumbre.

Una contraparte avanzada de Probabilistic Machine Learning: An Introduction, este libro de texto de alto nivel proporciona a investigadores y estudiantes de posgrado una cobertura detallada de temas de vanguardia en el aprendizaje automático, incluidos el modelado generativo profundo, los modelos gráficos, la inferencia bayesiana, el aprendizaje por refuerzo y la causalidad. Este volumen sitúa el aprendizaje profundo en un contexto estadístico más amplio y unifica los enfoques basados en el aprendizaje profundo con los basados en el modelado probabilístico y la inferencia. Con contribuciones de los mejores científicos y expertos de dominio de lugares como Google, DeepMind, Amazon, Purdue University, NYU, y la Universidad de Washington, este libro riguroso es esencial para entender las cuestiones vitales en el aprendizaje automático.

⬤ Cubre la generación de resultados de alta dimensión, como imágenes, texto y gráficos.

⬤ Analiza métodos para descubrir información sobre los datos, basados en modelos de variables latentes.

⬤ Considera el entrenamiento y las pruebas bajo diferentes distribuciones.

⬤ Explora cómo utilizar modelos probabilísticos e inferencia para la inferencia causal y la toma de decisiones.

⬤ Incluye acompañamiento de código Python en línea.