Описание
Представлены фундаментальные знания и практические инструменты в области машинного обучения, в том числе более 100 углубленных упражнений на языке Python. Дано введение в машинное обучение и математическую оптимизацию, включая методы первого и второго порядков, градиентного спуска и Ньютона. Приведено полное описание обучения с учителем, включая линейную регрессию, двухклассовую и многоклассовую классификацию, а также обучение без учителя и фундаментальные методы генерации признаков Дано введение в нелинейное обучение с учителем и без. Обсуждается тема автоматизированного отбора подходящих нелинейных моделей, включая перекрестную валидацию, бустирование, регуляризацию и ансамблирование. Рассмотрены фиксированно-контурные ядра, нейронные сети, деревья и другие универсальные аппроксиматоры. Отдельно дана полная трактовка продвинутых методов оптимизации. Электронный архив на сайте издательства содержит коды всех примеров и более 300 цветных иллюстраций. Коды всех примеров и более 300 цветных иллюстраций можно скачать по ссылке ftp://ftp.bhv.ru/9785977567633.zip Ключевые особенности Интуитивно понятные объяснения Доступный подход к современным методам численной оптимизации Комплексное введение в логистическую регрессию и машины опорных векторов Представление сложных тем через призму аппроксимации функций Уточненное описание глубоких нейронных сетей и методов ядра Благодаря интуитивно понятному, но строгому подходу к машинному обучению эта книга предоставляет фундаментальные знания и практические инструменты, необходимые для проведения исследований и разработки систем машинного обучения. Приведено более 100 углубленных упражнений на языке Python. Дано введение в машинное обучение и математическую оптимизацию, включая методы первого и второго порядков, градиентного спуска и Ньютона. Отдельно рассмотрены продвинутые методы оптимизации. Приведено полное описание обучения с учителем, включая линейную регрессию, двухклассовую и многоклассовую классификацию, а также обучение без учителя и фундаментальные методы генерации признаков Дано введение в нелинейное обучение с учителем и без. Обсуждается тема автоматизированного отбора подходящих нелинейных моделей, включая перекрестную валидацию, бустирование, регуляризацию и ансамблирование. Рассмотрены фиксированно-контурные ядра, нейронные сети, деревья и другие универсальные аппроксиматоры. ПОДРОБНОЕ РУКОВОДСТВО Цветные иллюстрации Реза Борхани (Reza Borhani) получил докторскую степень по электротехнике в Северо-Западном университете, шт. Иллинойс, США, и теперь является консультантом и преподавателем машинного обучения. Он преподает различные курсы по машинному обучению и глубокому обучению в Северо-Западном университете. Аггелос К. Кацаггелос (Aggelos K. Katsaggelos) — профессор в Северо-Западном университете, шт. Иллинойс, США, где он возглавляет лабораторию обработки изображений и видео. Он является членом IEEE, SPIE, EURASIP и OSA и лауреатом медали IEEE Third Millennium Medal (2000). Джереми Уатт (Jeremy Watt) получил докторскую степень по электротехнике в Северо-Западном университете, шт. Иллинойс, США, и теперь является консультантом и преподавателем машинного обучения. Он преподает машинное обучение, глубокое обучение, математическую оптимизацию и подкрепляемое обучение в Северо-Западном университете.
