Uso ambos, Elementos de aprendizaje estadístico (ESL) y Reconocimiento de patrones y Aprendizaje automático (PRML), como referencias. Ambos libros fueron escritos para ser accesibles a los estudiantes de CS, ya que no siguen la definición, el teorema, el enfoque de prueba de los libros matemáticos. Sin embargo, hay compensaciones.
PRML tiene un capítulo completo sobre muestreo, ESL no. ESL tiene un capítulo completo sobre Evaluación y selección de modelos, PRML no. PRML tiene un capítulo completo sobre inferencia variacional, ESL no. ESL tiene múltiples capítulos sobre métodos basados en árboles, PRML no. Además, PRML enfatiza fuertemente una filosofía bayesiana, ESL trae métodos bayesianos según sea necesario.
Dos de los autores de ESL fueron entrenados como estadísticos y uno como físico. Todos ellos son principalmente profesores de estadística. El entrenamiento de Bishop fue en física. Y ahora trabaja en Microsoft Research. La formación impacta la perspectiva. ESL tiene más de la perspectiva de un estadístico, mientras que PRML tiene más de la perspectiva de un científico de la computación. Ambos libros omiten muchos detalles. Aún así, he encontrado que ESL intenta proporcionar más detalles matemáticos que PRML.
- ¿Qué es mejor, CS en IIT Dhanbad, Tirupati, Palakkad o Ingeniería Química en IIT Guwhati?
- ¿Cuáles son algunas de las mejores prácticas al desarrollar una aplicación Meteor para soportar más de un millón de usuarios?
- ¿Cuál es el mejor: Windows de 32 o 64 bits?
- ¿Cuál es la mejor práctica para 'portar' modelos de Machine Learning (especialmente aprendizaje profundo) de Python a sistemas integrados para aplicaciones como visión artificial?
- ¿Cuál es el enfoque para un problema NP-completo?
Idealmente, querría obtener perspectivas de ambos libros, de lo contrario corre el riesgo de estar sesgado hacia una forma de pensar.