Model-Based Machine Learning

Model-Based Machine Learning är en inbunden bok på engelska som erbjuder en djupdykning i hur maskininlärning kan tillämpas på verkliga problem genom ett modellbaserat perspektiv. I takt med att maskininlärning används inom allt fler områden och för olika typer av utmaningar, blir det avgörande att koppla de abstrakta matematiska metoderna till konkreta situationer. Den här boken tar sig an just denna svåra uppgift genom att fokusera på de antaganden som ligger bakom varje maskininlärningssystem och hur dessa påverkar systemets beteende.

Boken bygger upp förståelsen kring modellbaserad maskininlärning med hjälp av flera detaljerade fallstudier från verkligheten. Dessa exempel är centrala eftersom det först i praktiska sammanhang går att diskutera vilka modelleringsantaganden som görs. Varje kapitel introducerar en ny fallstudie och leder läsaren steg för steg genom processen att lösa den med en modellbaserad metodik. Syftet är inte bara att förklara metoderna utan också visa hur man skapar, felsöker och vidareutvecklar dem för att effektivt lösa problem.

Vidare utforskas vilka antaganden systemet bygger på samt vilken effekt dessa har när teknikerna appliceras i praktiken. Maskininlärningskoncepten presenteras naturligt utifrån de aktuella fallen, vilket underlättar förståelsen av komplexa idéer. Dessutom lär sig läsaren hur man diagnostiserar och åtgärdar vanliga problem som kan uppstå vid användningen av sådana system.

För den intresserade finns fullständig källkod tillgänglig, vilket gör det möjligt både att reproducera resultaten och experimentera vidare med modellerna självständigt. Boken innehåller även valfria sektioner där mer avancerad matematisk teori om inferensalgoritmer behandlas – perfekt för den som vill gå ännu djupare in i ämnet.

Med sina 455 sidor publicerade av Taylor & Francis Inc erbjuder Model-Based Machine Learning ett omfattande verktygslåda för alla som vill kombinera teoretisk kunskap med praktiska lösningar inom området maskininlärning. Utgivningen skedde i oktober 2023 under ISBN 9781498756815, vilket markerar ett viktigt tillskott bland moderna referensverk inom detta snabbt växande fält.