Machine Learning: Von den Klassikern zu Deep Networks, Transformers und Diffusionsmodellen, Dritte Auflage beginnt mit den Grundlagen, einschließlich Least-Squares-Regression und Maximum-Likelihood-Methoden, Bayesscher Entscheidungstheorie, logistischer Regression und Entscheidungsbäumen. Danach werden neuere Techniken vorgestellt, darunter Sparse-Modellierungsmethoden, Lernen in reproduzierenden Kernel-Hilbert-Räumen und Support-Vektor-Maschinen.
Bayessches Lernen wird ausführlich behandelt, mit Schwerpunkt auf dem EM-Algorithmus und seinen approximativen variationalen Versionen, wobei der Fokus auf Mischmodellierung, Regression und Klassifikation liegt. Nichtparametrisches Bayessches Lernen, einschließlich Gaußscher, Chinesischer Restaurant- und Indischer Buffetprozesse, wird ebenfalls präsentiert.
Monte-Carlo-Methoden, Partikelfilterung, probabilistische grafische Modelle mit Schwerpunkt auf Bayesschen Netzwerken und Hidden-Markov-Modellen werden detailliert erläutert. Dimensionalitätsreduktion und Modellierung latenter Variablen werden eingehend betrachtet. Neuronale Netze und Deep Learning werden umfassend dargestellt, angefangen beim Perzeptron-Regel und Mehrschichtperzeptron und weiter zu Convolutional- und Rekurrenten-Neuronalen Netzwerken, adversarialem Lernen, Capsule-Netzwerken, Deep-Belief-Networks, GANs und VAEs.
Das Buch deckt außerdem die Grundlagen der statistischen Parameterschätzung und Optimierungsalgorithmen ab.
Mit Fokus auf die physikalische Begründung hinter der Mathematik, ohne an Präzision zu verlieren, werden alle Methoden und Techniken ausführlich erklärt, unterstützt durch Beispiele und Aufgaben, und ist damit eine unschätzbare Ressource für Studierende und Forscher zur Verständnis und Anwendung von Machine-Learning-Konzepten.
Seiten: 1200, Abmessungen: 19,1x19,1cm
