Machine Learning: A Constraint-Based Approach

Considerăm că această a doua ediție a Machine Learning se distinge de documentația oficială a algoritmilor prin propunerea unui cadru matematic unitar. În loc să trateze separat diversele modele, Marco Gori, Alessandro Betti și Stefano Melacci ancorează învățarea automată în noțiunea de constrângeri de mediu. Merită menționat că această perspectivă permite o integrare profundă cu formalismele logicii multivaluate, precum sistemele fuzzy, oferind o bază teoretică solidă pentru arhitecturile de tip deep learning. Structura cărții urmărește o progresie logică, pornind de la principii de învățare și mașini cu prag liniar, avansând spre Kernel Machines și culminând cu capitolul dedicat învățării din constrângeri. Putem afirma că rigoarea didactică este susținută de cele sute de exerciții rezolvate, clasificate după scala Donald Knuth, care ghidează cititorul de la simple probleme de încălzire la teme complexe de cercetare. Cititorul care a aplicat ideile din Understanding Machine Learning va găsi aici o completare esențială prin introducerea principiului parsimoniei și a unei noțiuni simplificate de regularizare. Această lucrare extinde temele abordate de Marco Gori în Deep Learning to See, unde se concentra pe viziunea computerizată, oferind acum un model abstract aplicabil unei game mai largi de date structurate. Utilizarea simulatorului software inclus facilitează dobândirea abilităților experimentale, transformând teoria abstractă în aplicații practice verificabile.