Cantitate/Preț
Produs
Total produse
Vezi coșul
An Introduction to Machine Learning de Miroslav Kubat

An Introduction to Machine Learning

Autor Miroslav Kubat
en Limba Engleză Paperback – 15 oct 2016

Implementarea sistemelor de inteligență artificială necesită adesea o înțelegere care să depășească simpla utilizare a unor biblioteci software predefinite. An Introduction to Machine Learning abordează direct această provocare, oferind fundamentul teoretic și practic necesar pentru a construi algoritmi capabili să învețe din date. În această a treia ediție, Miroslav Kubat extinde aria de acoperire către subiecte de actualitate precum rețelele neuronale profunde și învățarea temporală, fără a sacrifica claritatea explicațiilor pentru conceptele clasice. Subliniem modul în care volumul este structurat pentru a asigura o progresie logică a cunoștințelor. Primele capitole pun bazele prin clasificatori Bayesieni și k-nearest neighbor, evoluând natural spre structuri complexe precum arborii de decizie și rețelele Kohonen. Merită menționat că, spre deosebire de alte manuale tehnice, Miroslav Kubat alocă spațiu generos capitolului de evaluare a performanței și semnificației statistice, aspecte critice pentru validarea oricărui model de învățare automată. Putem afirma că rigoarea este menținută prin includerea unor teme avansate precum algoritmii genetici și modelele Markov ascunse, oferind o viziune de ansamblu asupra întregului domeniu. Cititorul care a aplicat deja conceptele de bază din Machine Learning Foundations de Taeho Jo va găsi în această lucrare o aprofundare necesară a problemelor practice de teren, cum ar fi selecția caracteristicilor sau gestionarea domeniilor multi-label. În timp ce alte resurse se concentrează pe fundamente, An Introduction to Machine Learning face tranziția către aplicații reale, discutând deschis despre bias și contextul datelor în producție. Este un instrument de lucru esențial pentru cei care doresc să înțeleagă mecanismele interne ale Machine Learning și să optimizeze performanța modelelor în scenarii complexe.

Citește tot Restrânge

Preț: 32283 lei

Preț vechi: 40354 lei
-20%

Puncte Express: 484
Paperback (2) de la 32283 lei
Hardback 39193 lei

Carte tipărită la comandă

Livrare economică 29 mai-12 iunie

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9783319348865
ISBN-10: 3319348868
Pagini: 308
Ilustrații: XIII, 291 p. 71 illus., 2 illus. in color.
Dimensiuni: 155 x 235 x 17 mm
Greutate: 0.47 kg
Ediția:Softcover reprint of the original 1st edition 2015
Editura: Springer
Locul publicării:Cham, Switzerland

De ce să citești această carte

Această carte se adresează studenților și inginerilor software care au nevoie de o bază solidă în inteligența artificială. Cititorul câștigă o înțelegere clară a modului în care funcționează algoritmii, de la cei mai simpli la deep learning, primind în același timp sfaturi practice despre cum să evalueze corect performanța unui model. Este o resursă valoroasă pentru oricine dorește să evite abordarea de tip „black box” în dezvoltarea de software inteligent.

Despre autor

Miroslav Kubat este un cercetător recunoscut în domeniul inteligenței artificiale, cu o experiență vastă în predarea și dezvoltarea algoritmilor de învățare automată. Expertiza sa este reflectată în capacitatea de a sintetiza concepte matematice complexe în explicații accesibile, susținute de numeroase exemple și diagrame. Prin colaborarea cu editura Springer, Kubat a reușit să transforme acest manual într-o referință standard pentru cursurile de profil, fiind apreciat pentru echilibrul dintre rigoarea academică și aplicabilitatea practică a metodelor prezentate.

Descriere scurtă

This book presents basic ideas of machine learning in a way that is easy to understand, by providing hands-on practical advice, using simple examples, and motivating students with discussions of interesting applications. The main topics include Bayesian classifiers, nearest-neighbor classifiers, linear and polynomial classifiers, decision trees, neural networks, and support vector machines. Later chapters show how to combine these simple tools by way of “boosting,” how to exploit them in more complicated domains, and how to deal with diverse advanced practical issues. One chapter is dedicated to the popular genetic algorithms.

Cuprins

A Simple Machine-Learning Task.- Probabilities: Bayesian Classifiers.- Similarities: Nearest-Neighbor Classifiers.- Inter-Class Boundaries: Linear and Polynomial Classifiers.- Artificial Neural Networks.- Decision Trees.- Computational Learning Theory.- A Few Instructive Applications.- Induction of Voting Assemblies.- Some Practical Aspects to Know About.- Performance Evaluation.-Statistical Significance.- The Genetic Algorithm.- Reinforcement learning.

Recenzii

“Miroslav Kubat's Introduction to Machine Learning is an excellent overview of a broad range of Machine Learning (ML) techniques. It fills a longstanding need for texts that cover the middle ground of neither oversimplifying nor too technical explanations of key concepts of key Machine Learning algorithms. … All in all it is a very informative and instructive read which is well suited for undergraduate students and aspiring data scientists.” (Holger K. von Joua, Google+, plus.google.com, December, 2016)
“It is superbly organized: each section includes a ‘what have you learned’ summary, and every chapter has a short summary, accompanying (brief) historical remarks, and a slew of exercises. … In most of the chapters, there are very clear examples, well chosen and illustrated, that really help the reader understand each concept. … I did learn quite a bit about very basic machine learning by reading this book.” (Jacques Carette, Computing Reviews, January, 2016)

Notă biografică

Miroslav Kubat, Associate Professor at the University of Miami, has been teaching and studying machine learning for more than a quarter century. Over the years, he has published more than 100 peer-reviewed papers, co-edited two books, served on the program committees of some 60 program conferences and workshops, and is the member of the editorial boards of three scientific journals. He is widely credited for having co-pioneered research in two major branches of the discipline: induction of time-varying concepts and learning from imbalanced training sets. Apart from that, he contributed to induction from multi-label examples, induction of hierarchically organized classes, genetic algorithms, initialization of neural networks, and other problems.

Caracteristici

Supplies frequent opportunities to practice techniques at the end of each chapter with control questions, exercises, thought experiments, and computer assignments Reinforces principles using well-selected toy domains and interesting real-world applications Supplementary material will be provided including an instructor's manual with PowerPoint slides Request lecturer material: sn.pub/lecturer-material

Textul de pe ultima copertă

This textbook offers a comprehensive introduction to Machine Learning techniques and algorithms. This Third Edition covers newer approaches that have become highly topical, including deep learning, and auto-encoding, introductory information about temporal learning and hidden Markov models, and a much more detailed treatment of reinforcement learning. The book is written in an easy-to-understand manner with many examples and pictures, and with a lot of practical advice and discussions of simple applications. 
The main topics include Bayesian classifiers, nearest-neighbor classifiers, linear and polynomial classifiers, decision trees, rule-induction programs, artificial neural networks, support vector machines, boosting algorithms, unsupervised learning (including Kohonen networks and auto-encoding), deep learning, reinforcement learning, temporal learning (including long short-term memory), hidden Markov models, and the genetic algorithm. Special attention is devoted to performance evaluation, statistical assessment, and to many practical issues ranging from feature selection and feature construction to bias, context, multi-label domains, and the problem of imbalanced classes.