Beschreibung
Probabilistisches Maschinelles Lernen: Eine Einführung bietet eine detaillierte und aktuelle Einführung in das maschinelle Lernen, einschließlich Deep Learning, durch die vereinigende Linse der probabilistischen Modellierung und der Bayesschen Entscheidungstheorie. Das Buch behandelt die wesentlichen mathematischen Grundlagen, einschließlich linearer Algebra und Optimierung, und erkundet grundlegende Techniken des überwachten Lernens wie lineare und logistische Regression sowie tiefe neuronale Netzwerke. Auch fortgeschrittene Themen wie Transferlernen und unüberwachtes Lernen werden behandelt.
Weiterlesen
Übungen am Ende jedes Kapitels ermöglichen es den Studierenden, das Gelernte anzuwenden und ihr Verständnis des Materials zu vertiefen. Ein Anhang bietet einen umfassenden Überblick über die im Text verwendete Notation. Dieses Buch ist nicht nur eine Aktualisierung der vorherigen Arbeit des Autors, Maschinelles Lernen: Eine probabilistische Perspektive, sondern vielmehr ein völlig neuer Text, der die bedeutenden Entwicklungen im Bereich seit 2012 widerspiegelt, insbesondere im Bereich des Deep Learning.
Begleitend zum Buch steht Online-Python-Code zur Verfügung, der Bibliotheken wie scikit-learn, JAX, PyTorch und TensorFlow nutzt. Dieser Code ermöglicht es den Lesern, nahezu alle im Buch dargestellten Abbildungen zu reproduzieren, und kann in einem Webbrowser mithilfe von cloudbasierten Notebooks ausgeführt werden. Diese praktische Ressource ergänzt die theoretischen Themen, die diskutiert werden, und macht sie zu einem unschätzbaren Werkzeug für Lernende.
Verfasst von Kevin P. Murphy, einem Forschungswissenschaftler bei Google, richtet sich dieses Buch an Studierende und Fachleute, die sich für künstliche Intelligenz und maschinelles Lernen interessieren. Es dient als Einführungstext, dem ein Nachfolgeband mit fortgeschritteneren Themen folgen wird, wobei der gleiche probabilistische Ansatz beibehalten wird.
- KategorieWeitere KI-Tools
Buchdetails
Autor: Kevin P. Murphy
Erscheinungsjahr: 2022
Seiten: 864
Verfügbare Formate: Gebundene Ausgabe, eBook
Verlag: The MIT Press
ISBN: 9780262046824
eBook ISBN: 9780262369305
Reihe: Adaptive Computation and Machine Learning
Für wen dieses Buch ist
- Maschinelles Lernen lernen
- Anwendungen des Deep Learning
- Probabilistische Modellierung
- Bildungsressource
- Praktisches Programmieren
