Aprendizaje automático probabilístico: Una introducción

Opiniones de los lectores

El libro ha sido ampliamente elogiado como un recurso completo y bien estructurado para comprender el aprendizaje automático, en particular el ML probabilístico. Los críticos aprecian el atractivo estilo de redacción, la claridad y la profundidad del contenido. Sin embargo, varios usuarios han informado de problemas con la calidad física del libro, incluyendo daños en la entrega y mala calidad del papel.

⬤ Cobertura exhaustiva de los temas de aprendizaje automático.
⬤ Explicaciones atractivas e intuitivas de conceptos complejos.
⬤ Útil tanto para principiantes como para lectores avanzados.
⬤ Recurso valioso para comprender la teoría del ML y los avances recientes.
⬤ Recomendado para aquellos que buscan comprometerse con la literatura e investigación de alto nivel en ML.

⬤ Problemas frecuentes con la calidad física del libro, incluyendo cubiertas rotas y lomos dañados.
⬤ Cierta insatisfacción con la calidad de la impresión y del papel en relación con el precio.
⬤ No se proporcionan soluciones para los ejercicios, lo que decepcionó a algunos lectores.
⬤ Informes de copias defectuosas que crean experiencias de compra negativas.

(basado en 40 opiniones de lectores)

Título original:

Probabilistic Machine Learning: An Introduction

Contenido del libro:

Una introducción detallada y actualizada al aprendizaje automático, presentada a través de la lente unificadora del modelado probabilístico y la teoría bayesiana de la decisión.

Este libro ofrece una introducción detallada y actualizada al aprendizaje automático (incluido el aprendizaje profundo) a través de la lente unificadora del modelado probabilístico y la teoría bayesiana de la decisión. El libro cubre la base matemática (incluyendo álgebra lineal y optimización), el aprendizaje supervisado básico (incluyendo regresión lineal y logística y redes neuronales profundas), así como temas más avanzados (incluyendo aprendizaje de transferencia y aprendizaje no supervisado). Los ejercicios de final de capítulo permiten a los estudiantes aplicar lo que han aprendido, y un apéndice cubre la notación.

Probabilistic Machine Learning surgió del libro del autor de 2012, Machine Learning: A Probabilistic Perspective. Más que una simple actualización, se trata de un libro completamente nuevo que refleja los espectaculares avances que se han producido en este campo desde 2012, entre los que destaca el aprendizaje profundo. Además, el nuevo libro va acompañado de código Python en línea, utilizando bibliotecas como scikit-learn, JAX, PyTorch y Tensorflow, que se puede utilizar para reproducir casi todas las figuras; este código se puede ejecutar dentro de un navegador web utilizando cuadernos basados en la nube, y proporciona un complemento práctico a los temas teóricos tratados en el libro. A este texto introductorio le seguirá una secuela que cubre temas más avanzados, adoptando el mismo enfoque probabilístico.