Procesos Gaussianos para el Aprendizaje Automático

Opiniones de los lectores

El libro sobre Procesos Gaussianos (GP) ha cosechado críticas dispares, muchos alaban su claridad, profundidad y relevancia para el aprendizaje automático, mientras que algunos critican su falta de autocontención y profundidad.

⬤ Explicaciones claras y concisas
⬤ valioso en el contexto del aprendizaje automático
⬤ capítulos bien estructurados
⬤ excelente referencia para la investigación
⬤ incluye buenas conexiones entre GP y otros métodos como SVM
⬤ tapa dura de alta calidad
⬤ buen precio.

⬤ No es autocontenido, le faltan definiciones de algunos términos
⬤ considerado demasiado ligero en profundidad y contenido por algunos
⬤ las explicaciones pueden parecer demasiado simplistas o circulares
⬤ algunas quejas sobre el embalaje.

(basado en 18 opiniones de lectores)

Título original:

Gaussian Processes for Machine Learning

Contenido del libro:

Una introducción completa y autocontenida a los procesos gaussianos, que proporcionan un enfoque probabilístico, práctico y basado en principios para el aprendizaje en máquinas de núcleo.

Los procesos gaussianos (PG) proporcionan un enfoque probabilístico, práctico y basado en principios para el aprendizaje en máquinas de núcleo. Las GPs han recibido una atención creciente en la comunidad de aprendizaje automático durante la última década, y este libro proporciona un tratamiento sistemático y unificado, necesario desde hace tiempo, de los aspectos teóricos y prácticos de las GPs en el aprendizaje automático. El tratamiento es exhaustivo y autónomo, y está dirigido a investigadores y estudiantes de aprendizaje automático y estadística aplicada. El libro aborda el problema del aprendizaje supervisado tanto para la regresión como para la clasificación, e incluye algoritmos detallados. Se presenta una amplia variedad de funciones de covarianza (kernel) y se discuten sus propiedades. La selección de modelos se analiza tanto desde una perspectiva bayesiana como clásica. Se discuten muchas conexiones con otras técnicas bien conocidas del aprendizaje automático y la estadística, como las máquinas de vectores soporte, las redes neuronales, los splines, las redes de regularización, las máquinas de vectores de relevancia y otras. Se tratan cuestiones teóricas como las curvas de aprendizaje y el marco PAC-Bayesiano, y se discuten varios métodos de aproximación para el aprendizaje con grandes conjuntos de datos. El libro contiene ejemplos ilustrativos y ejercicios, y el código y los conjuntos de datos están disponibles en la Web.

Los apéndices ofrecen información matemática y un análisis de los procesos de Markov gaussianos.