Вероятностное машинное обучение. Введение

Данный классический труд содержит обстоятельное современное введение в машинное обучение (включая глубокое обучение), рассматриваемое сквозь объединяющую призму вероятностного моделирования и байесовской теории принятия решений. Включен базовый математический аппарат (в т. ч. элементы линейной алгебры и теории оптимизации), основы обучения с учителем (включая линейную и логистическую регрессию и глубокие нейронные сети), а также более сложные темы (в т. ч. перенос обучения и обучение без учителя). Упражнения в конце глав помогут читателям применить полученные знания, а в приложении имеется сводка используемых обозначений.

В основу издания легла вышедшая в 2012 году книга Кэвина Мэрфи «Machine Learning: A Probabilistic Perspective». Однако это совершенно новая работа, отражающая многие достижения, случившиеся в этой области за последние 10 лет.

Глубокое обучение и статистическое моделирование

Материал охватывает важные направления машинного обучения с учителем, включая линейную и логистическую регрессию, глубокие нейронные сети и методы обучения без учителя. Последовательное изложение связывает математическую теорию с практическими задачами анализа данных.

Отдельное внимание уделяется байесовскому выводу в машинном обучении, который позволяет обновлять представления о модели по мере поступления новых данных. Такой подход особенно полезен при работе с неопределенностью и построении вероятностных прогнозов.

Книга также познакомит с переносом обучения и глубокими нейронными сетями, современными методами, которые применяются для решения сложных задач распознавания, прогнозирования и анализа больших наборов данных. Математическая база помогает глубже понять принципы работы современных алгоритмов.