Aprendizaje automático: Una perspectiva algorítmica, segunda edición

Opiniones de los lectores

El libro ofrece una introducción completa al aprendizaje automático utilizando Python con un enfoque algorítmico, aunque adolece de numerosos errores matemáticos y explicaciones confusas. Si bien cubre una amplia gama de algoritmos y es particularmente accesible para aquellos con una formación matemática menos sólida, puede frustrar a los usuarios más avanzados o a aquellos que buscan un tratamiento riguroso.

⬤ Cobertura exhaustiva de varios algoritmos de aprendizaje automático.
⬤ Enfoque algorítmico en lugar de únicamente basado en aplicaciones.
⬤ Accesible para aquellos con conocimientos limitados de matemáticas.
⬤ Incluye ejemplos de código Python, lo que es útil para la comprensión práctica.
⬤ Escrito en un estilo conversacional fácil de seguir.
⬤ Bueno para cursos introductorios.

⬤ Plagado de errores, tanto tipográficos como matemáticos.
⬤ Algunas explicaciones son confusas o poco claras.
⬤ Ciertas secciones pueden no proporcionar suficiente profundidad o detalle.
⬤ Asume cierta familiaridad con Python, carece de tutoriales extensos.
⬤ Puede ser más adecuado como recurso complementario que como texto independiente.

(basado en 35 opiniones de lectores)

Título original:

Machine Learning: An Algorithmic Perspective, Second Edition

Contenido del libro:

Un enfoque práctico y probado para estudiantes sin una sólida base estadística.

Desde la publicación de la primera edición, que fue un éxito de ventas, se han producido varios avances destacados en el campo del aprendizaje automático, incluido el creciente trabajo sobre las interpretaciones estadísticas de los algoritmos de aprendizaje automático. Desafortunadamente, los estudiantes de informática sin una sólida base estadística a menudo tienen dificultades para iniciarse en este campo.

Para remediar esta deficiencia, Machine Learning: An Algorithmic Perspective, Second Edition ayuda a los estudiantes a comprender los algoritmos del aprendizaje automático. Les pone en el camino hacia el dominio de las matemáticas y estadísticas relevantes, así como de la programación y experimentación necesarias.

Novedades de la segunda edición

⬤ Dos nuevos capítulos sobre redes de creencias profundas y procesos gaussianos.

⬤ Reorganización de los capítulos para hacer un flujo más natural del contenido.

⬤ Revisión del material sobre máquinas de vectores soporte, incluyendo una implementación sencilla para experimentos.

⬤ Nuevo material sobre bosques aleatorios, el teorema de convergencia del perceptrón, métodos de precisión y optimización del gradiente conjugado para el perceptrón multicapa.

⬤ Discusiones adicionales sobre los filtros de Kalman y de partículas.

⬤ Código mejorado, incluyendo un mejor uso de las convenciones de nomenclatura en Python.

Adecuado tanto para un curso introductorio de un semestre como para cursos más avanzados, el texto anima encarecidamente a los estudiantes a practicar con el código. Cada capítulo incluye ejemplos detallados junto con lecturas adicionales y problemas. Todo el código utilizado para crear los ejemplos está disponible en el sitio web del autor.