Введение
Сможете ли вы узнать все, что вам нужно знать о методах машинного обучения, в книге, которая занимает всего сто страниц? Это амбициозная цель Стостраничного руководства по машинному обучению Андрея Буркова. Но дает ли это введение в машинное обучение? Вот наш вердикт.
Читайте также: 10 лучших книг по искусственному интеллекту для начинающих в 2022 году.
Стостраничная книга по машинному обучению
Эта книга, написанная опытным специалистом в области машинного обучения, призвана в доступной форме познакомить читателей с основными концепциями искусственного интеллекта (ИИ) и машинного обучения (МО). Эксперты отрасли считают, что книга удалась. Глава отдела науки о данных Amazon Каролис Урбонас называет это «Отличное введение в машинное обучение от практикующего специалиста мирового уровня». Руководитель отдела разработки eBay Суджит Варахеди и вице-президент LinkedIn по искусственному интеллекту Дипак Агарвал согласны с этим.
Что касается книг по машинному обучению, это отличная книга и надежное введение в эту область, включая ключевые концепции машинного обучения. Кроме того, она написана простым для понимания языком, что позволяет прочитать ее за один присест.
Для кого книга?
Короче всем. Алгоритмы машинного обучения и искусственный интеллект становятся частью личной и профессиональной жизни практически каждого человека. Понимание основных подходов к машинному обучению поможет не только инженерам освоить новые технологии.
Эта книга по машинному обучению также является отличным ресурсом для ученых. В качестве ресурса для ученых книга Буркова охватывает научные концепции, статистические концепции и практические концепции машинного обучения, но при этом остается доступной для чтения тем, у кого нет опыта программирования.
Читайте также: Работа с ИИ: реальные истории сотрудничества человека и машины
Почему вы должны это прочитать?
Как упоминалось выше, AI и ML становятся частью повседневной жизни. Хотя оба они уже широко используются, они по-прежнему окружены ореолом таинственности и сложности. Эта книга начинается с их демистификации и объяснения диапазона машинного обучения:
- Обучение с учителем относится к ситуациям, когда у вас есть данные и метки для категорий, к которым принадлежат эти данные. Например, это могут быть статьи и зонтичные темы. Логистическая регрессия — одна из моделей, используемых в этой области для преобразования слов в числовые признаки.
- Неконтролируемое обучение охватывает ситуации, когда у вас есть данные, но нет меток.
- Обучение с полуучителем охватывает периоды, когда у одних статей есть ярлыки, а у других нет.
Обучение с подкреплением — это еще один вариант, который включает в себя обучение компьютерной программе на основе набора правил и обратной связи. Подумайте о компьютерной программе, которая учится играть в игру, основанную на наборе правил, и получает вознаграждение за победу. Доказано, что обучение с подкреплением является одним из наиболее эффективных видов обучения с учителем.
Математика и данные
Математика и данные лежат в основе каждого ресурса машинного обучения, но это не значит, что вам нужно избегать их. Математические обозначения объясняются просто и с большой ясностью. Что касается книг по машинному обучению, стостраничная книга по машинному обучению в мягкой обложке упрощает доступ к предмету, включая математические функции линейной алгебры.
Бурков (повторно) знакомит своих читателей с линейными функциями и нелинейными функциями. Линейные функции — это те, у которых график ведет прямо (по прямой) от одной точки к другой, тогда как нелинейные функции выражены в виде графиков. Он также охватывает сигмовидные функции, которые выражаются кривой.
В этой главе объясняется цель стандартизации функций и вводится байесовское обучение гиперпараметрам. В нем также рассматривается разница между глубоким обучением и поверхностным обучением. Байесовское обучение гиперпараметрам помогает направить методы машинного обучения на достижение конкретной цели.
Вторая глава книги закладывает основу для того, что происходит в третьей главе, когда автор углубляется в различия между алгоритмами машинного обучения. Здесь вы узнаете о различиях между:
- Линейная регрессия
- Логистическая регрессия и
- Обучение на основе дерева решений
- Современная машина опорных векторов
- K-ближайшие соседи
Хотя в главе много математических обозначений, вам не нужно быть опытным практиком, чтобы понять, что вы читаете.
Читайте также: 26 лучших книг по искусственному интеллекту для начинающих 2023 года.
Почему эти алгоритмы машинного обучения лучшие?
Почему мы не изобретаем новые методы машинного обучения? Потому что текущий диапазон алгоритмов машинного обучения хорош в том, что он делает. Как правило, инженеры по машинному обучению тратят свое время на выбор алгоритма, который наилучшим образом решает поставленную перед ним задачу.
Базовая практика
Эта часть книги позволяет вам применить то, что вы уже узнали, начиная с разработки признаков.
Помимо прочего, он охватывает однократное кодирование, объединение в группы и нормализацию. Некоторые из наиболее ценных страниц здесь показывают, как оценить эффективность вашего алгоритма. Функции потерь — отличный подход к этому. Они оценивают, насколько хорошо алгоритм моделирует набор данных. Использование функций потерь позволит инженерам машинного обучения быстро выбрать лучший алгоритм для поставленной задачи.
Целевые функции — еще одно средство оценки эффективности алгоритма. Применение целевой функции может включать сравнение потенциального решения с набором обучающих данных. Результатом может быть потеря модели, если она не работает. В качестве альтернативы результат может указывать на необходимость дополнительного обучения.
Кроме того, в этой части книги автор рассматривает использование функций расстояния, функций активации, функций стоимости и статистических обозначений.
Машинное обучение, нейронные сети и глубокое обучение
Следующая часть книги представляет собой всестороннее введение в будущее нашего текущего диапазона машинного обучения. Наиболее многообещающий подход основан на функционировании человеческого мозга, и нейронные сети пытаются сделать именно это.
В этой главе Бурков описывает нейронные сети с прямой связью и использование в них пороговых функций. Он также пишет о достижениях в области глубокого обучения. Одной из затронутых тем является трансферное обучение, когда инженеры машинного обучения используют предварительно обученную модель для решения новой задачи. Благодаря существующему выводу базовых моделей становится проще обучить алгоритм для новой задачи. Бурков также рассказывает об использовании градиентного спуска в качестве алгоритма оптимизации, используемого для обучения нейронных сетей.
Использование того, что вы узнали
Затем он переходит к представлению читателям подборки проблем и решений. В этой части рассматриваются различные модели классификации. Эти модели классификации включают классификацию с одним классом и классификацию с несколькими метками, а также способы применения повышения градиента. Бурков также позволяет читателям применять бинарную классификацию, активное обучение, случайный лес и примеры последовательного обучения. Модели последовательного обучения работают с потоками данных, такими как видео или аудио. Кроме того, он представляет задачи однократного и нулевого обучения, которые необходимо решить.
Обучение без ярлыков и других методов
Во второй части книги читатели узнают больше об обучении без категорий или ярлыков, а Бурков рассматривает другие типы обучения, такие как метрическое обучение и обучение по рекомендациям.
об авторе
Андрей Бурков — канадский эксперт по машинному обучению. Он имеет докторскую степень. в области искусственного интеллекта и последние восемь лет возглавлял команду разработчиков машинного обучения в исследовательской фирме Gartner.
Стоит ли покупать книгу?
Что касается книг о машинном обучении, работа Андрея Буркова является отличным введением в соответствующие ресурсы, о которых должны знать инженеры по машинному обучению. Более того, он написан таким образом, чтобы он был доступен для тех, кто плохо знаком с этой темой. Эта характеристика должна сделать его бестселлером даже за пределами сообщества AI и ML.
Заключение
Стостраничная книга по машинному обучению — отличное введение в машинное обучение. Он охватывает языки для машинного обучения и использует графические модели для иллюстрации сложных отношений между переменными. Купите эту книгу, если вы всегда хотели узнать больше об машинном обучении или подумываете о том, чтобы начать работать в этой области, и вам нужна отличная и легкодоступная база знаний.