Вероятностное машинное обучение: введение
Данный классический труд представляет собой современное и фундаментальное введение в область машинного обучения, рассматриваемое через призму вероятностного моделирования и байесовской теории принятия решений. Книга охватывает широкий спектр тем, от базового математического аппарата до продвинутых концепций, что делает её ценным ресурсом как для начинающих, так и для опытных специалистов.
В первой части излагается необходимый математический фундамент, включая элементы линейной алгебры, теории вероятностей и теории оптимизации. Далее подробно рассматриваются основы обучения с учителем: линейная и логистическая регрессия, методы регуляризации, а также архитектуры глубоких нейронных сетей. Особое внимание уделяется проблемам переобучения, обобщаемости моделей и оценке их неопределённости.
Книга также затрагивает более глубокие и современные темы, такие как обучение без учителя (кластеризация, снижение размерности), обучение с подкреплением и перенос обучения (transfer learning). Каждая глава содержит практические упражнения, позволяющие закрепить теоретический материал и развить навыки решения реальных задач.
Издание переведено с английского оригинала, опубликованного MIT Press, и сохраняет все достоинства первоисточника. Оно будет исключительно полезно студентам технических специальностей, исследователям и практикующим инженерам, желающим получить строгое и всестороннее понимание принципов вероятностного машинного обучения.
