W ostatnich latach, a nawet miesiącach, popularność uczenia maszynowego gwałtownie wzrosła. Eksperci z branży przewidują, że uczenie maszynowe, będące częścią szerszej dziedziny sztucznej inteligencji, będzie miało równie przełomowy wpływ na społeczeństwo, co internet czy procesory komputerowe.
Jeśli planujesz rozpocząć swoją przygodę z uczeniem maszynowym, trafiłeś idealnie. Ten artykuł stanowi zbiór rekomendacji najlepszych książek o uczeniu maszynowym, które są odpowiednie dla osób posiadających już pewną wiedzę w tym obszarze.
Czym jest uczenie maszynowe?
Uczenie maszynowe to proces projektowania i wykorzystywania algorytmów, które umożliwiają komputerom samodzielne nabywanie umiejętności wykonywania zadań, bez konieczności ich precyzyjnego programowania. Innymi słowy, komputery uczą się, jak realizować zadania na podstawie danych, a nie na podstawie z góry ustalonych instrukcji.
Uczenie maszynowe stanowi jedną z gałęzi sztucznej inteligencji. Sztuczna inteligencja, jako szersza dziedzina, skupia się na tworzeniu systemów komputerowych zdolnych do inteligentnego działania. Uczenie maszynowe koncentruje się natomiast na zdolności systemów do uczenia się, co jest kluczowe dla rozwoju inteligentnych zachowań.
Praktyczne zastosowania uczenia maszynowego
Komputery od zawsze wyprzedzały ludzi pod względem szybkości i precyzji wykonywania obliczeń. Jednak ich możliwości były ograniczone do zadań, które ludzie potrafili szczegółowo opisać w postaci kodu. To ludzie byli wąskim gardłem rozwoju komputerów.
Dzięki uczeniu maszynowemu, komputery wykraczają poza granice ludzkiego zrozumienia. Mogą realizować zadania, które wcześniej wydawały się niemożliwe lub zbyt żmudne do precyzyjnego zaprogramowania. Przykłady takich zadań to:
- Automatyczne prowadzenie pojazdów (np. Autopilot Tesli, Waymo)
- Rozpoznawanie obiektów na zdjęciach (np. SAM)
- Generowanie grafik (np. DALL-E)
- Generowanie tekstów (np. ChatGPT)
- Tłumaczenie tekstów (np. Tłumacz Google)
- Granie w gry (np. AlphaGo)
Dlaczego warto uczyć się sztucznej inteligencji z książek?
Podczas procesu edukacji, książki wyróżniają się na tle innych materiałów dogłębnością analizy. Zanim książka trafi do rąk czytelnika, przechodzi przez złożony proces redakcyjny. Autorzy starannie dobierają słowa, aby jak najdokładniej przekazać swoje myśli.
Rezultatem jest klarowny i logiczny tekst, który w najlepszy możliwy sposób prezentuje omawiane koncepcje. Osobiście uważam, że łatwość powracania do konkretnych zagadnień jest największą zaletą książek. W przypadku materiałów wideo, takich jak tutoriale, jest to znacznie trudniejsze. Przejdźmy teraz do zestawienia najlepszych książek poświęconych uczeniu maszynowemu.
„Stustronicowa książka o uczeniu maszynowym”
Tytuł tej książki doskonale oddaje jej zawartość – to zwięzłe wprowadzenie do uczenia maszynowego, liczące zaledwie 100 stron. Ze względu na swoją objętość, książka oferuje jedynie ogólny przegląd tematu, unikając zbyt szczegółowych analiz.
Jest idealna dla osób początkujących, ponieważ porusza najważniejsze podstawy, takie jak uczenie nadzorowane i nienadzorowane, metody zespołowe, maszyny wektorów nośnych i algorytm spadku gradientu.
Autorem książki jest Andrij Burkov, ekspert w dziedzinie przetwarzania języka naturalnego, posiadający doktorat w dziedzinie sztucznej inteligencji.
„Uczenie maszynowe dla absolutnie początkujących”
Autorstwa Olivera Theobalda, książka ta jest jednym z najbardziej przystępnych wprowadzeń do uczenia maszynowego.
Autor zakłada brak wcześniejszego doświadczenia w programowaniu, dlatego omawiane zagadnienia tłumaczone są prostym językiem, a dodatkowo wspomagane są grafikami, co ułatwia zrozumienie.
Czytelnicy mają również okazję nauczyć się podstaw kodowania dzięki bezpłatnym ćwiczeniom i tutorialom wideo. Należy jednak pamiętać, że ta książka nie uczyni Cię ekspertem w dziedzinie uczenia maszynowego – konieczne będzie dalsze rozwijanie wiedzy.
„Głęboka nauka”
Ta pozycja jest prawdopodobnie najbardziej wszechstronnym źródłem informacji na temat głębokiego uczenia. Została napisana przez zespół ekspertów, w tym Iana Goodfellowa, twórcę generatywnych sieci przeciwstawnych (GAN).
Książka dokładnie wyjaśnia zagadnienia matematyczne niezbędne do zrozumienia głębokiego uczenia, takie jak algebra liniowa, teoria prawdopodobieństwa, teoria informacji i obliczenia numeryczne.
Omówione są różne typy sieci wykorzystywanych w głębokim uczeniu, w tym sieci typu deep feedforward, konwolucyjne sieci neuronowe oraz sieci optymalizacyjne. Elon Musk uznał tę książkę za jedyną tak wyczerpującą pozycję na ten temat.
„Wprowadzenie do nauki statystycznej”
Książka ta stanowi przegląd dziedziny nauki statystycznej, która jest podzbiorem uczenia maszynowego. Metody uczenia, takie jak regresja liniowa, klasyfikacja i maszyny wektorów nośnych są szczegółowo omówione.
Książka zawiera wiele przykładów z życia codziennego, aby ułatwić zrozumienie omawianych koncepcji. Duży nacisk położony jest na praktyczne zastosowanie zdobytej wiedzy w języku R, popularnym w uczeniu maszynowym języku programowania, używanym do obliczeń statystycznych.
Autorami książki są profesorowie statystyki: Trevor Hastie, Robert Tibshirami, Daniela Witten i Gartehm James. Mimo że książka bazuje na solidnych podstawach statystyki, jest zrozumiała zarówno dla osób mających wiedzę z tego zakresu, jak i dla laików.
„Programowanie inteligencji zbiorowej”
Ta książka jest cennym źródłem wiedzy dla programistów, którzy chcą tworzyć aplikacje wykorzystujące eksplorację danych i uczenie maszynowe.
Omawia ona działanie systemów rekomendacji, grupowania danych, wyszukiwarek oraz algorytmów optymalizacyjnych. Zawiera przykłady kodu i ćwiczenia, które pomagają utrwalić zdobytą wiedzę.
Autorem książki jest Toby Segaran, znany również z publikacji „Programming the Semantic Web” i „Beautiful Data”.
„Podstawy uczenia maszynowego do predykcyjnej analizy danych”
Książka ta wprowadza czytelnika w podstawowe metody uczenia maszynowego wykorzystywane w prognozowaniu. Zanim zostaną omówione praktyczne aspekty, książka przedstawia przegląd teoretycznych założeń, które należy poznać.
Książka opisuje, jak wykorzystać uczenie maszynowe do prognozowania cen, oceny ryzyka, przewidywania zachowań klientów i klasyfikacji dokumentów.
Obejmuje cztery główne podejścia do uczenia maszynowego: uczenie oparte na informacjach, uczenie oparte na błędach, uczenie oparte na podobieństwach i uczenie oparte na prawdopodobieństwie. Autorami są John D. Kelleher, Brian Mac Namee i Aoife D’Arcy.
„Zrozumieć uczenie maszynowe: od teorii do algorytmów”
Książka przedstawia uczenie maszynowe i algorytmy, które umożliwiają jego działanie. Zawiera teoretyczny przegląd podstaw uczenia maszynowego i sposobu wyprowadzania wzorów matematycznych.
Książka pokazuje również, jak te podstawowe zasady są następnie przekształcane w algorytmy i kod. Algorytmy te obejmują stochastyczny spadek gradientu, sieci neuronowe i ustrukturyzowane uczenie danych wyjściowych.
Książka została napisana z myślą o studentach i zaawansowanych słuchaczach przez Shai Shalev-Shwartz i Shai Ben-David. Fizyczną kopię można nabyć na Amazon, a bezpłatna wersja online jest dostępna do pobrania i użytku niekomercyjnego.
„Uczenie maszynowe dla hakerów”
Książka „Uczenie maszynowe dla hakerów” została napisana z myślą o doświadczonych programistach. Wprowadza ona w praktyczne aspekty uczenia maszynowego, pomijając teoretyczne zagadnienia matematyczne.
Każdy rozdział poświęcony jest konkretnemu obszarowi uczenia maszynowego, takiemu jak klasyfikacja, predykcja, optymalizacja i systemy rekomendacji.
Książka koncentruje się na implementacji modeli w języku programowania R i zawiera wiele interesujących projektów, takich jak klasyfikator spamu, predyktor wyświetleń stron internetowych i program do deszyfrowania jednoliterowego. Autorami są Drew Conway i John Myles White, współautorzy książki „Machine Learning for Email”.
„Praktyczne uczenie maszynowe z R”
Książka „Praktyczne uczenie maszynowe” omawia implementację algorytmów takich jak grupowanie, autoenkodery, losowe lasy, głębokie sieci neuronowe i wiele innych. Implementacja odbywa się z wykorzystaniem języka R i różnych pakietów w jego ekosystemie.
Książka nie jest jednak samouczkiem języka R, dlatego czytelnicy powinni posiadać już podstawową znajomość tego języka. Fizyczną wersję książki można nabyć na Amazon, a wersja online jest dostępna za darmo.
„Uczenie maszynowe w Pythonie”
Ta książka przedstawia podstawy uczenia maszynowego oraz jego implementację w języku Python. Zaczyna od omówienia podstawowych bibliotek, takich jak NumPy (do obliczeń numerycznych) i Pandas (do operacji na danych tabelarycznych).
Następnie wprowadza biblioteki takie jak scikit-learn, które służą do budowania modeli uczenia maszynowego. Książka omawia również wizualizację danych za pomocą biblioteki Matplotlib oraz wyjaśnia algorytmy regresji, grupowania i klasyfikacji. Poruszona jest także kwestia wdrażania modeli.
Ogólnie rzecz biorąc, jest to obszerne wprowadzenie do uczenia maszynowego, które umożliwia rozpoczęcie tworzenia własnych modeli i ich integrację z aplikacjami. Autorem książki jest Weng Meng Lee, założyciel Developer Learning Solutions.
„Interpretowalne uczenie maszynowe z Pythonem”
„Interpretowalne uczenie maszynowe z Pythonem” jest przewodnikiem, który omawia modele uczenia maszynowego oraz sposoby na redukcję ryzyka błędów predykcyjnych i zwiększenie interpretowalności modeli za pomocą praktycznych przykładów i szczegółowych implementacji kodu.
Książka omawia podstawy interpretowalności, różne typy modeli, metody interpretacji oraz techniki dostrajania, dzięki czemu czytelnicy zdobywają wiedzę i umiejętności niezbędne do interpretowania i ulepszania modeli uczenia maszynowego. Autorem jest Serge Masís, specjalista w dziedzinie danych klimatycznych i rolniczych.
Podsumowanie
Oczywiście, lista książek nie jest wyczerpująca, jednak są to jedne z najlepszych pozycji dla osób pragnących zgłębić tajniki uczenia maszynowego. Warto pamiętać, że choć większość zastosowań sztucznej inteligencji opiera się na kodzie, nie zawsze jest konieczne jego pisanie. Dostępnych jest wiele narzędzi No Code AI, które ułatwiają proces programowania.
Warto zapoznać się z platformami uczenia maszynowego low-code i no-code, które mogą okazać się bardzo przydatne.