Machine Learning

• Editorial ‏ : ‎ Springer
• Fecha de publicación ‏ : ‎ 22 Agosto 2022
• Edición ‏ : ‎ 1ª ed. 2021
• Idioma ‏ : ‎ Inglés
• Número de páginas ‏ : ‎ 472 páginas
• ISBN-10 ‏ : ‎ 9811519692
• ISBN-13 ‏ : ‎ 978-9811519697

Este libro de Zhi-Hua Zhou se presenta como una introducción completa y equilibrada a casi todos los aspectos del aprendizaje automático, una de las áreas más dinámicas de la inteligencia artificial. A través de sus 16 capítulos, la obra guía al lector desde los fundamentos esenciales, como la terminología básica y los modelos lineales, hasta técnicas clásicas ampliamente utilizadas que incluyen árboles de decisión, redes neuronales y máquinas de soporte vectorial. Además, profundiza en temas avanzados como el aprendizaje semisupervisado, modelos gráficos probabilísticos y aprendizaje por refuerzo, proporcionando una visión amplia del campo sin perder el rigor necesario.

Diseñado principalmente como libro de texto para estudiantes de grado y posgrado en informática, ingeniería y ciencia de datos, este recurso también es una referencia indispensable para investigadores y profesionales que buscan consolidar sus conocimientos técnicos. El lector encontrará una estructura clara dividida en tres partes que facilitan el aprendizaje progresivo, apoyado por ejercicios y lecturas adicionales en cada sección para explorar áreas de interés específico. Al reducir la complejidad matemática innecesaria sin sacrificar la profundidad, el autor logra que conceptos complejos sean accesibles para una audiencia técnica diversa.

Esta obra es la herramienta definitiva para quienes desean dominar las metodologías que están impulsando la innovación tecnológica actual y aplicarlas con éxito en entornos profesionales. Adquiere hoy mismo este volumen esencial de Springer Nature y eleva tus capacidades en el desarrollo de sistemas inteligentes de última generación.

Machine Learning, a vital and core area of artificial intelligence (AI), is propelling the AI field ever further and making it one of the most compelling areas of computer science research. This textbook offers a comprehensive and unbiased introduction to almost all aspects of machine learning, from the fundamentals to advanced topics. It consists of 16 chapters divided into three parts: Part 1 (Chapters 1-3) introduces the fundamentals of machine learning, including terminology, basic principles, evaluation, and linear models; Part 2 (Chapters 4-10) presents classic and commonly used machine learning methods, such as decision trees, neural networks, support vector machines, Bayesian classifiers, ensemble methods, clustering, dimension reduction and metric learning; Part 3 (Chapters 11-16) introduces some advanced topics, covering feature selection and sparse learning, computational learning theory, semi-supervised learning, probabilistic graphical models, rule learning, and reinforcement learning. Each chapter includes exercises and further reading, so that readers can explore areas of interest.

The book can be used as an undergraduate or postgraduate textbook for computer science, computer engineering, electrical engineering, data science, and related majors. It is also a useful reference resource for researchers and practitioners of machine learning.