Introducción al aprendizaje automático, cuarta edición

Opiniones de los lectores

El libro de Alpaydin es elogiado por su clara exposición de los algoritmos y teorías del aprendizaje automático, lo que lo hace valioso para estudiantes y profesionales que quieran entender los conceptos fundamentales. Sin embargo, algunos lectores lo encuentran difícil, sobre todo para los principiantes, debido a su carácter técnico y a su estilo de redacción. Un usuario también señaló un problema de erratas que afectó a su experiencia con el libro.

⬤ Proporciona una explicación clara y concisa de los algoritmos y teorías clave del aprendizaje automático.
⬤ Las secciones revisadas incluyen contenido actualizado sobre aprendizaje profundo, como GANs y CNNs.
⬤ Adecuado para estudiantes y profesionales que buscan comprender los aspectos teóricos del aprendizaje automático.
⬤ En general fácil de leer, con explicaciones sencillas.

⬤ Algunos usuarios lo encontraron demasiado técnico y pesado en matemáticas, especialmente para principiantes.
⬤ El estilo de redacción puede no explicar eficazmente los conceptos para quienes no están familiarizados con el tema.
⬤ Informes sobre un libro mal impreso al que le faltaba el primer capítulo.
⬤ Críticas por ser menos accesible para lectores sin una sólida formación en estadística o teoría matemática.

(basado en 11 opiniones de lectores)

Título original:

Introduction to Machine Learning, Fourth Edition

Contenido del libro:

Una cuarta edición sustancialmente revisada de un libro de texto completo, que incluye una nueva cobertura de los avances recientes en el aprendizaje profundo y las redes neuronales.

El objetivo del aprendizaje automático es programar ordenadores para que utilicen datos de ejemplo o experiencias pasadas para resolver un problema determinado. El aprendizaje automático es la base de nuevas tecnologías tan interesantes como los coches autónomos, el reconocimiento de voz y las aplicaciones de traducción. Esta cuarta edición, sustancialmente revisada, de un libro de texto de aprendizaje automático exhaustivo y ampliamente utilizado, ofrece una nueva cobertura de los avances recientes en el campo, tanto en la teoría como en la práctica, incluidos los desarrollos en el aprendizaje profundo y las redes neuronales.

El libro cubre una amplia gama de temas que no suelen incluirse en los textos introductorios de aprendizaje automático, incluido el aprendizaje supervisado, la teoría bayesiana de la decisión, los métodos paramétricos, los métodos semiparamétricos, los métodos no paramétricos, el análisis multivariante, los modelos ocultos de Markov, el aprendizaje por refuerzo, las máquinas kernel, los modelos gráficos, la estimación bayesiana y las pruebas estadísticas. La cuarta edición ofrece un nuevo capítulo sobre aprendizaje profundo en el que se analiza el entrenamiento, la regularización y la estructuración de redes neuronales profundas, como las redes convolucionales y las redes generativas adversariales.

Nuevo material en el capítulo sobre aprendizaje por refuerzo que cubre el uso de redes profundas, los métodos de gradiente de políticas y el aprendizaje por refuerzo profundo.

Nuevo material en el capítulo sobre perceptrones multicapa sobre autocodificadores y la red word2vec.

Y discusión de un método popular de reducción de dimensionalidad, t-SNE. Los nuevos apéndices ofrecen material de base sobre álgebra lineal y optimización. Los ejercicios de final de capítulo ayudan a los lectores a aplicar los conceptos aprendidos. Introducción al aprendizaje automático puede utilizarse en cursos para estudiantes avanzados de grado y posgrado y como referencia para profesionales.