Машинно обучение: От класиките до дълбоките мрежи, трансформърите и дифузионните модели, трето издание започва с основите, включително регресия чрез най-малки квадрати и методи за максимално правдоподобие, байесова теория на решението, логистична регресия и дървета за вземане на решения. След това преминава към по-нови техники, обхващащи методи за разреждане, обучение в възпроизвеждащи ядрени Хилберт-пространства и опорни векторни машини.
Байесовото обучение е разгледано подробно с акцент върху EM алгоритъма и неговите приближени вариационни версии с фокус върху моделиране на смеси, регресия и класификация. Презентирани са също непараметрични байесови методи, включително гаусови, китайски ресторант и индийски бюфет процеси.
Методи на Монте Карло, филтриране на частици, вероятностни графови модели с акцент върху байесовите мрежи и скрити маркови модели са разгледани подробно. Намаляването на размерността и моделирането на латентни променливи са обсъдени в дълбочина. Невронните мрежи и дълбокото обучение са представени изчерпателно, започвайки с правилото на перцептрона и многослойните перцептрони и продължавайки с конволюционни и рекурентни невронни мрежи, враждебно обучение, капсулни мрежи, дълбоки вярващи мрежи, GAN и VAE.
Книгата обхваща също основите на статистическото параметрично оценяване и алгоритмите за оптимизация.
Съчетавайки физическото обмисляне зад математиката, без да се жертва строгостта, всички методи и техники са обяснени подробно, подплатени с примери и задачи, предоставяйки безценен ресурс за студенти и изследователи за разбиране и прилагане на концепциите за машинно обучение.
Страници: 1200, Размери: 19.1x19.1см
Брой страници
1200
Корица
Меко
Година на публикуване
2025
Издател
The New York Review of Books