A gépi tanulás nagyon népszerűvé vált az elmúlt néhány évben és hónapban. Iparági elemzők arra számítanak, hogy a gépi tanulás és nagyjából a mesterséges intelligencia ugyanolyan hatással lesz az emberiségre, mint az internet vagy a CPU.
Ha gépi tanulást szeretne tanulni, akkor jó helyen jár. Ez a cikk egy útmutató a diplomások számára készült legjobb gépi tanulási könyvekről.
Tartalomjegyzék
Mi az a gépi tanulás?
A gépi tanulás olyan algoritmusok fejlesztésére és használatára utal, amelyek lehetővé teszik a gépek számára, hogy megtanulják, hogyan kell feladatokat végrehajtani, ahelyett, hogy kifejezetten programoznák őket az említett feladatok végrehajtására.
A gépi tanulás a mesterséges intelligencia egyik területe. A mesterséges intelligencia szélesebb körben foglalkozik a számítógépek intelligens viselkedésének fejlesztésével. A gépi tanulás az AI egyetlen részére, a tanulásra összpontosít.
Hogyan használják a gépi tanulást?
A számítógépek mindig is felülmúlták az embereket. A számítógép nagy mennyiségű munkát tud pontosan elvégezni rövid idő alatt. A számítógépek azonban csak azokat a feladatokat hajtották végre, amelyeket az emberek elég jól megértettek ahhoz, hogy megírják a számítógépet utasító kódot. Más szóval, mi voltunk a szűk keresztmetszetek abban, amit a számítógépek megtehetnek.
A gépi tanulással a számítógépek már nem korlátozódnak arra, amit az emberek kifejezhetnek. Ez lehetővé teszi számukra, hogy olyan feladatokat hajtsanak végre, amelyeket korábban lehetetlennek vagy fárasztónak találtunk megmondani nekik, például:
- Autóvezetés (Tesla robotpilóta, Waymo)
- Objektumok azonosítása a képen (SAM)
- Műalkotások létrehozása (DALL-E)
- Szöveg generálása (ChatGPT)
- A szöveg lefordítása (Google Fordító)
- Játssz játékokat (MindGo)
Miért tanuljon MI-t könyvekből?
A tanulás során a könyvek azzal az előnnyel járnak, hogy sokkal mélyebbre merülhetnek, mint az összes többi tanulási forrás. A könyvek kiterjedt írási folyamaton mennek keresztül, amikor megírják őket, és a mondatokat újraírják az egyértelműség kedvéért.
Az eredmény egy jól megírt próza, amely a lehető legjobb módon fejezi ki gondolatait. A szövegalapú források előnyben részesítése személyes legfőbb okom az, hogy milyen könnyű hivatkozni egyes fogalmakra és újragondolni azokat. Ez nehezebb a videó alapú források, például oktatóanyagok és tanfolyamok esetében. Tehát nézzük meg a legjobb könyveket a gépi tanulás tanulásához.
A százoldalas gépi tanulási könyv
A Hundred-Page Machine Learning Book pontosan ez, egy könyv, amely 100 oldalon tanítja meg a gépi tanulást. A 100 oldalas korlát miatt a könyv csak áttekintést ad a témáról anélkül, hogy túlságosan belemenne a gazba.
Kezdők számára ideális, mivel lefedi a terület legfontosabb alapjait, mint például a felügyelt és felügyelet nélküli tanulást, az együttes módszereket, a támogató vektorgépeket és a gradiens süllyedést.
A könyvet Andriy Burkov, a természetes nyelvi feldolgozás szakértője, Ph.D. a Mesterséges Intelligenciában.
Gépi tanulás abszolút kezdőknek
Oliver Theobald írta, ez az egyik legegyszerűbb és legszelídebb bevezető a gépi tanuláshoz.
Ebből a könyvből bevezetőt fog kapni a gépi tanulásba, de a szerző nem feltételez előzetes kódolási tapasztalatot. Ehelyett egyszerű angol nyelvű magyarázatokat és grafikus segédleteket adunk a könnyebb érthetőség érdekében.
A kódolást azonban továbbra is megtanulja, és a könyv tartalmaz néhány ingyenes, letölthető kódgyakorlatot és kiegészítő videós oktatóanyagokat. Ettől a könyvtől azonban önmagában nem leszel gépi tanulási szakértővé. Továbbra is tovább kell tanulnia más forrásokból.
Mély tanulás
Ez a könyv valószínűleg a legátfogóbb a Deep Learningről. Azt is egy szakértői csoport írta, köztük Ian Goodfellow, a Generatív Adversarial Networks kifejlesztő kutatója.
Megtanítja azokat a matematikai fogalmakat, amelyekre szüksége lesz a mélytanulás megértéséhez, beleértve a lineáris algebrát, a valószínűségszámítást, az információelméletet és a numerikus számítást.
A könyv lefedi a Deep Learningben használt különböző típusú hálózatokat, beleértve a Deep Feedforward hálózatokat, a konvolúciós neurális hálózatokat és az optimalizáló hálózatokat. Ezenkívül Elon Musk az egyetlen átfogó könyv a témában.
Bevezetés a statisztikai tanulásba
A Bevezetés a statisztikai tanulásba áttekintést nyújt a statisztikai tanulás területéről. A statisztikai tanulás a gépi tanulás egy részhalmaza, amely többek között olyan tanulási módszereket foglal magában, mint a lineáris regresszió, az osztályozás és a támogató vektorgépek.
Mindezekkel a technikákkal foglalkozik a könyv. A tárgyalt fogalmak megszilárdítására a könyv valós példákat használ. Az R-ben tanult fogalmak megvalósítására összpontosít, a gépi tanulásban használt népszerű programozási nyelvben, amelyet statisztikai számításokhoz használnak.
A könyvet Trevor Hastie, Robert Tibshirami, Daniela Witten és Gartehm James írta, akik mind a statisztika professzorai. Annak ellenére, hogy erős a statisztikai alapja, a könyv jó lehet statisztikusok és nem statisztikusok számára.
A kollektív intelligencia programozása
A Programing Collective Intelligence egy hasznos könyv, amely megtanítja a szoftverfejlesztőknek, hogyan készítsenek adatbányászatot és gépi tanulást használó alkalmazásokat.
Többek között az ajánlási rendszerek, a klaszterezés, a keresőmotorok és az optimalizálási algoritmusok működését is lefedi. A gyakorlást segítő tömör kódpéldákat és gyakorlatokat tartalmaz.
A könyvet Toby Segaran írta, aki a „Programming the Semantic Web” és a „Beautiful Data” című könyveket is írta.
A gépi tanulás alapjai a prediktív adatelemzéshez
Ez a könyv bemutatja az előrejelzések készítéséhez használt alapvető gépi tanulási megközelítéseket. Mielőtt gyakorlatilag a gépi tanulás megközelítéseivel foglalkozna, a könyv áttekintést ad azokról az elméleti fogalmakról, amelyeket ismernie kell.
A könyv bemutatja, hogyan lehet a gépi tanulást felhasználni ár-előrejelzések, kockázatértékelések készítésére, az ügyfelek viselkedésének előrejelzésére és a dokumentumok osztályozására.
A gépi tanulás négy megközelítését fedi le: információ-alapú tanulás, hibaalapú tanulás, hasonlóság-alapú tanulás és valószínűség-alapú tanulás. John D. Kelleher, Brian Mac Namee és Aoife D’Arcy írta.
Ismerje meg a gépi tanulást: az elmélettől az algoritmusokig
A könyv bemutatja a gépi tanulást és az azt lehetővé tevő algoritmusokat. Elméleti áttekintést nyújt a gépi tanulás alapjairól és a matematika származtatásáról.
Azt is bemutatja, hogyan fordítják le ezeket az alapelveket algoritmusokká és kódokká. Ezek az algoritmusok magukban foglalják a sztochasztikus gradiens süllyedést, a neurális hálózatokat és a strukturált kimeneti tanulást.
A könyvet Shai Shalev-Shwartz és Shai Ben-David írta diplomásoknak és haladó egyetemistáknak. Fizikai másolata megvásárolható az Amazon-tól, az ingyenes online verzió pedig letölthető és nem kereskedelmi használatra letölthető.
Gépi tanulás hackereknek
A Machine Learning for Hackers egy könyv tapasztalt programozókra gondolva. Gyakorlatias és gyakorlatiasabb módon mutatja be a gépi tanulást. Esettanulmányokból fog tanulni fogalmakat, ahelyett, hogy más könyvek matematikailag erős megközelítést alkalmaznának.
A könyv fejezeteket tartalmaz, amelyek a gépi tanulás egy bizonyos területére összpontosítanak, mint például az osztályozásra, az előrejelzésre, az optimalizálásra és az ajánlásokra.
A modellek R programozási nyelven való megvalósítására összpontosít, és olyan izgalmas projekteket tartalmaz, mint a spam e-mailek osztályozója, a webhelyek megtekintéseinek előrejelzője és az egybetűs visszafejtés.
A könyvet Drew Conway és John Myles White írta, akik mindketten társszerzői voltak egy másik könyvnek, a „Machine Learning for Email” (Machine Learning for Email).
Gyakorlati gépi tanulás R-vel
A gyakorlati gépi tanulás magában foglalja az olyan algoritmusok megvalósítását, mint a fürtözési algoritmusok, az automatikus kódolók, a véletlenszerű erdők, a mély neurális hálózatok és sok más. A megvalósítás az R programozási nyelv és az ökoszisztémán belüli különféle csomagok használatával történik.
A könyv maga nem egy R nyelvű oktatóanyag. Ezért az olvasóknak már a könyv használata előtt ismerniük kell a nyelvet. A könyv fizikai változata megvásárolható az Amazon-tól, az online változat pedig ingyenesen elérhető itt.
Python gépi tanulás
Ez a Python gépi tanulásról szóló könyv bemutatja a gépi tanulást és annak Pythonban való megvalósítását. Azzal kezdődik, hogy lefedi a gépi tanulásban használt alapvető és legalapvetőbb könyvtárakat, például a NumPy-t a numerikus számításokhoz és a Pandákat a táblázatos adatok kezelésére.
Ezután olyan könyvtárakat mutat be, mint például a scikit-learn, amelyet gépi tanulási modellek készítésére használnak. A könyv foglalkozik az adatok Matplotlib használatával történő megjelenítésével is. Megmagyarázza az olyan algoritmusokat, mint a regresszió, a klaszterezés és az osztályozás. A modellek telepítésének módját is ismerteti.
Összességében ez a könyv egy átfogó bevezető a gépi tanulásba, így megkezdheti saját modelljei megvalósítását és alkalmazásaiba való beépítését. A könyvet Weng Meng Lee, a Developer Learning Solutions alapítója írta.
Értelmezhető gépi tanulás Python segítségével
Az Interpretable Machine Learning with Python egy átfogó útmutató a gépi tanuláshoz, amely áttekintést ad a gépi tanulási modellekről, valamint arról, hogyan lehet csökkenteni az előrejelzési kockázatokat és javítani az értelmezhetőséget gyakorlati példákon és lépésről lépésre történő kódmegvalósításokon keresztül.
Az értelmezhetőség alapjait, a különböző modelltípusokat, értelmezési módszereket és hangolási technikákat ismertetve a könyv értelmezési ismeretekkel és készségekkel ruházza fel az olvasókat a gépi tanulási modellek hatékony fejlesztéséhez. A könyvet Serg Masís, az éghajlati és agronómiai adatokkal foglalkozó tudós írta.
Végső szavak
A könyvek listája nyilvánvalóan nem kimerítő, de ezek a legjobb könyvek, amelyekkel diplomásként tanulhatnak gépi tanulást. Míg a legtöbb mesterséges intelligencia kóddal van megvalósítva, nem mindig kell megírnia a kódot. Számos No Code AI eszköz létezik, amelyek megkönnyítik a fejlesztést.
Ezután tekintse meg az alacsony kódú és kód nélküli gépi tanulási platformokat.