Uczenie maszynowe stało się bardzo popularne w ciągu ostatnich kilku lat i miesięcy. Analitycy branżowi przewidują, że uczenie maszynowe i szerzej sztuczna inteligencja będą miały taki sam wpływ na ludzkość jak Internet czy procesor.
Jeśli chcesz nauczyć się uczenia maszynowego, jesteś we właściwym miejscu. Ten artykuł to przewodnik po najlepszych książkach o uczeniu maszynowym dla absolwentów.
Spis treści:
Co to jest uczenie maszynowe?
Uczenie maszynowe odnosi się do opracowywania i wykorzystywania algorytmów, które umożliwiają maszynom uczenie się, jak wykonywać zadania, zamiast jawnego programowania ich w celu wykonania wspomnianych zadań.
Machine Learning to dziedzina zawarta w Sztucznej Inteligencji. Sztuczna inteligencja jest szerzej zainteresowana rozwijaniem inteligentnych zachowań w komputerach. Uczenie maszynowe koncentruje się tylko na jednej części sztucznej inteligencji — uczeniu się.
Jak wykorzystuje się uczenie maszynowe?
Komputery zawsze przewyższały ludzi w pewnej skali. Komputer może dokładnie wykonać dużą ilość pracy w krótkim czasie. Jednak komputery ograniczały się do wykonywania tylko tych zadań, które ludzie rozumieli na tyle dobrze, aby napisać kod instruujący komputer. Innymi słowy, byliśmy wąskim gardłem tego, co mogły zrobić komputery.
Dzięki uczeniu maszynowemu komputery nie są już ograniczone do tego, co ludzie mogą wyrazić. To pozwala im wykonywać zadania, które wcześniej uważaliśmy za niemożliwe lub nużące, gdy mówiliśmy im, jak to zrobić, takie jak:
- Prowadź samochody (autopilot Tesli, Waymo)
- Rozpoznawanie obiektów na obrazku (SAM)
- Generuj grafikę (DALL-E)
- Wygeneruj tekst (ChatGPT)
- Przetłumacz tekst (Tłumacz Google)
- Graj w gry (MindGo)
Dlaczego warto uczyć się sztucznej inteligencji z książek
Podczas nauki książki mają tę zaletę, że zapewniają znacznie głębsze nurkowanie niż wszystkie inne zasoby edukacyjne. Książki przechodzą przez obszerny proces pisania, w którym są pisane, a zdania są przepisywane dla jasności.
Rezultatem jest dobrze napisana proza, która wyraża idee w najlepszy możliwy sposób. Moim osobistym największym powodem, dla którego preferuję zasoby tekstowe, jest to, jak łatwo jest odwoływać się i powracać do niektórych koncepcji. Jest to trudniejsze w przypadku zasobów wideo, takich jak samouczki i kursy. Przyjrzyjmy się więc najlepszym książkom do uczenia maszynowego.
Stustronicowa książka o uczeniu maszynowym
Stustronicowa książka o uczeniu maszynowym jest dokładnie tym — książka, która uczy uczenia maszynowego na 100 stronach. Ze względu na ograniczenie do 100 stron, książka zawiera jedynie ogólny zarys tematu bez zagłębiania się zbytnio w chwasty.
Jest idealny dla początkujących, ponieważ obejmuje najważniejsze podstawy w tej dziedzinie, takie jak uczenie nadzorowane i nienadzorowane, metody zespołowe, maszyny wektorów nośnych i opadanie gradientu.
Książka została napisana przez Andrija Burkowa, specjalistę w dziedzinie przetwarzania języka naturalnego z tytułem doktora. w Sztucznej Inteligencji.
Uczenie maszynowe dla absolutnie początkujących
Napisany przez Olivera Theobalda, jest to jedno z najłatwiejszych i najdelikatniejszych wprowadzeń do uczenia maszynowego, jakie można znaleźć.
Z tej książki otrzymasz wprowadzenie do uczenia maszynowego, ale autor zakłada, że nie ma wcześniejszego doświadczenia w programowaniu. Zamiast tego, wyjaśnienia podane są w prostym języku angielskim i pomoce graficzne, aby ułatwić zrozumienie.
Nadal będziesz jednak uczyć się kodowania, a książka zawiera kilka bezpłatnych ćwiczeń z kodowania do pobrania oraz dodatkowe samouczki wideo. Jednak sama ta książka nie sprawi, że staniesz się ekspertem w dziedzinie uczenia maszynowego. Nadal będziesz musiał uczyć się dalej, korzystając z innych zasobów.
Głęboka nauka
Ta książka jest prawdopodobnie najbardziej wszechstronną książką, jaką znajdziesz na temat Deep Learning. Został on również napisany przez zespół ekspertów, w tym Iana Goodfellowa, naukowca, który opracował Generative Adversarial Networks.
Uczy pojęć matematycznych potrzebnych do zrozumienia głębokiego uczenia się, w tym algebry liniowej, teorii prawdopodobieństwa, teorii informacji i obliczeń numerycznych.
Książka omawia różne typy sieci używanych w Deep Learning, w tym Deep Feedforward Networks, Convolutional Neural Networks i Optimization Networks. Co więcej, została uznana przez Elona Muska za jedyną obszerną książkę na ten temat.
Wprowadzenie do nauki statystycznej
Wprowadzenie do nauki statystycznej zawiera przegląd dziedziny nauki statystycznej. Uczenie statystyczne to podzbiór uczenia maszynowego, który obejmuje metody uczenia się, takie jak między innymi regresje liniowe, klasyfikacja i maszyny wektorów nośnych.
Wszystkie te techniki są opisane w książce. Aby utrwalić omówione koncepcje, w książce wykorzystano przykłady z życia wzięte. Koncentruje się na wdrażaniu koncepcji poznanych w R, popularnym języku programowania używanym w uczeniu maszynowym, który jest używany do obliczeń statystycznych.
Książkę napisali Trevor Hastie, Robert Tibshirami, Daniela Witten i Gartehm James, z których wszyscy są profesorami statystyki. Pomimo mocnych podstaw w statystyce, książka powinna być odpowiednia dla statystyków i nie-statystyków.
Programowanie inteligencji zbiorowej
Programming Collective Intelligence to pomocna książka, która uczy twórców oprogramowania, jak tworzyć aplikacje wykorzystujące eksplorację danych i uczenie maszynowe.
Obejmuje między innymi sposób działania systemów rekomendacji, grupowania, wyszukiwarek i algorytmów optymalizacyjnych. Zawiera zwięzłe przykłady kodu i ćwiczenia, które pomogą ci ćwiczyć.
Książka została napisana przez Toby’ego Segarana, który jest także autorem „Programming the Semantic Web” i „Beautiful Data”.
Podstawy uczenia maszynowego do predykcyjnej analizy danych
W tej książce zapoznasz się z podstawowymi metodami uczenia maszynowego używanymi do prognozowania. Zanim omówimy praktyczne podejście do uczenia maszynowego, książka zawiera przegląd koncepcji teoretycznych, które powinieneś znać.
Książka opisuje, jak używać uczenia maszynowego do prognozowania cen, oceny ryzyka, przewidywania zachowań klientów i klasyfikowania dokumentów.
Obejmuje cztery podejścia do uczenia maszynowego: uczenie się oparte na informacjach, uczenie się oparte na błędach, uczenie się oparte na podobieństwach i uczenie się oparte na prawdopodobieństwie. Został napisany przez Johna D. Kellehera, Briana Mac Namee i Aoife D’Arcy.
Zrozumieć uczenie maszynowe: od teorii do algorytmów
Książka przedstawia uczenie maszynowe i algorytmy, które je umożliwiają. Zawiera teoretyczny przegląd podstaw uczenia maszynowego i sposobu wyprowadzania matematyki.
Pokazuje również, w jaki sposób te podstawowe zasady są następnie tłumaczone na algorytmy i kod. Algorytmy te obejmują stochastyczny spadek gradientu, sieci neuronowe i ustrukturyzowane uczenie się danych wyjściowych.
Książka została napisana dla absolwentów i zaawansowanych studentów przez Shai Shalev-Shwartz i Shai Ben-David. Fizyczną kopię można kupić w Amazon, a bezpłatna wersja online jest dostępna tutaj do pobrania i do użytku niekomercyjnego.
Uczenie maszynowe dla hakerów
Machine Learning for Hackers to książka napisana z myślą o doświadczonych programistach. Wprowadza Cię w uczenie maszynowe w praktyczny i bardziej praktyczny sposób. Nauczysz się pojęć ze studiów przypadków, a nie z matematycznego podejścia przyjętego w innych książkach.
Książka składa się z rozdziałów poświęconych konkretnemu obszarowi uczenia maszynowego, takiemu jak klasyfikacja, przewidywanie, optymalizacja i rekomendacja.
Koncentruje się na implementacji modeli w języku programowania R i zawiera ekscytujące projekty, takie jak klasyfikator spamu, predyktor wyświetleń stron internetowych i deszyfrator jednoliterowy.
Książka została napisana przez Drew Conwaya i Johna Mylesa White’a, którzy są współautorami innej książki „Machine Learning for Email”.
Praktyczne uczenie maszynowe z R
Praktyczne uczenie maszynowe obejmuje wdrażanie algorytmów, takich jak algorytmy grupowania, autoenkodery, losowe lasy, głębokie sieci neuronowe i wiele innych. Implementacja odbywa się przy użyciu języka programowania R i różnych pakietów w ramach jego ekosystemu.
Książka sama w sobie nie jest samouczkiem w języku R. Dlatego czytelnicy powinni znać język już przed skorzystaniem z książki. Fizyczną wersję książki można kupić na Amazon, a wersja online jest dostępna za darmo tutaj.
Uczenie maszynowe w Pythonie
Ta książka o uczeniu maszynowym w języku Python przedstawia uczenie maszynowe i sposób jego implementacji w języku Python. Rozpoczyna się od omówienia podstawowych i najbardziej fundamentalnych bibliotek używanych w uczeniu maszynowym, takich jak NumPy do obliczeń numerycznych i Pandas do obsługi danych tabelarycznych.
Następnie wprowadza biblioteki, takie jak scikit-learn, które służą do budowania modeli uczenia maszynowego. Książka obejmuje również wizualizację danych za pomocą Matplotlib. Wyjaśnia algorytmy, takie jak regresja, grupowanie i klasyfikacja. Obejmuje również sposób wdrażania modeli.
Ogólnie rzecz biorąc, ta książka jest obszernym wprowadzeniem do uczenia maszynowego, dzięki czemu możesz zacząć wdrażać własne modele i włączać je do swoich aplikacji. Książka została napisana przez Weng Meng Lee, założyciela Developer Learning Solutions.
Interpretowalne uczenie maszynowe z Pythonem
Interpretowalne uczenie maszynowe z językiem Python to kompleksowy przewodnik po uczeniu maszynowym, który zawiera przegląd modeli uczenia maszynowego oraz sposoby ograniczania ryzyka przewidywania i zwiększania możliwości interpretacji za pomocą praktycznych przykładów i implementacji kodu krok po kroku.
Omawiając podstawy interpretowalności, różne typy modeli, metody interpretacji i techniki dostrajania, książka wyposaża czytelników w wiedzę na temat interpretacji i umiejętności skutecznego ulepszania modeli uczenia maszynowego. Książka została napisana przez Serga Masísa, naukowca zajmującego się danymi klimatycznymi i rolniczymi.
Ostatnie słowa
Ta lista książek oczywiście nie jest wyczerpująca, ale są to jedne z najlepszych książek do nauki uczenia maszynowego jako absolwent. Chociaż większość sztucznej inteligencji jest implementowana za pomocą kodu, nie zawsze musisz pisać kod. Istnieje wiele narzędzi No Code AI, które ułatwiają programowanie.
Następnie sprawdź platformy uczenia maszynowego z niskim kodem i bez kodu, których możesz użyć.