Deskripsi
Pembelajaran Mesin Probabilistik: Sebuah Pengantar menawarkan pengantar yang mendetail dan terkini tentang pembelajaran mesin, termasuk pembelajaran mendalam, melalui lensa pemodelan probabilistik dan teori keputusan Bayesian. Buku ini mencakup latar belakang matematis yang penting, termasuk aljabar linier dan optimisasi, serta mengeksplorasi teknik pembelajaran terawasi dasar seperti regresi linier dan logistik, serta jaringan saraf dalam. Topik yang lebih maju, termasuk pembelajaran transfer dan pembelajaran tidak terawasi, juga dibahas.
Latihan di akhir bab memungkinkan siswa untuk menerapkan apa yang telah mereka pelajari, memperkuat pemahaman mereka tentang materi. Sebuah lampiran memberikan gambaran menyeluruh tentang notasi yang digunakan di seluruh teks. Buku ini bukan sekadar pembaruan dari karya penulis sebelumnya, Pembelajaran Mesin: Perspektif Probabilistik, tetapi merupakan teks baru yang sepenuhnya mencerminkan perkembangan signifikan di bidang ini sejak 2012, terutama dalam pembelajaran mendalam.
Bersamaan dengan buku ini adalah kode Python online yang memanfaatkan pustaka seperti scikit-learn, JAX, PyTorch, dan TensorFlow. Kode ini memungkinkan pembaca untuk mereproduksi hampir semua gambar yang disajikan dalam buku, dan dapat dijalankan dalam browser web menggunakan buku catatan berbasis cloud. Sumber daya praktis ini melengkapi topik teoritis yang dibahas, menjadikannya alat yang sangat berharga bagi para pelajar.
Ditulis oleh Kevin P. Murphy, seorang Ilmuwan Peneliti di Google, buku ini ditujukan untuk siswa dan profesional yang tertarik pada kecerdasan buatan dan pembelajaran mesin. Ini berfungsi sebagai teks pengantar yang akan diikuti oleh sekuel yang mencakup topik yang lebih maju, dengan pendekatan probabilistik yang sama.
Detail Buku
Penulis: Kevin P. Murphy
Tahun Terbit: 2022
Halaman: 864
Format Tersedia: Hardcover, eBook
Penerbit: The MIT Press
ISBN: 9780262046824
ISBN eBook: 9780262369305
Seri: Komputasi Adaptif dan Pembelajaran Mesin
Untuk Siapa Buku Ini
- Belajar Pembelajaran Mesin
- Aplikasi Pembelajaran Mendalam
- Pemodelan Probabilistik
- Sumber Daya Pendidikan
- Pengkodean Praktis
