Machine Learning er vokset til at blive meget populær i de sidste par år og måneder. Brancheanalytikere forudser, at Machine Learning, og i det store og hele kunstig intelligens, vil have lige så stor betydning for menneskeheden som internettet eller CPU’en.
Hvis du vil lære Machine Learning, er du på det rigtige sted. Denne artikel er en guide til de bedste maskinlæringsbøger for kandidater.
Indholdsfortegnelse
Hvad er Machine Learning?
Maskinlæring refererer til udvikling og brug af algoritmer, der gør det muligt for maskiner at lære at udføre opgaver i stedet for eksplicit at programmere dem til at udføre de nævnte opgaver.
Machine Learning er et felt indeholdt i kunstig intelligens. Kunstig intelligens er mere generelt optaget af at udvikle intelligent adfærd i computere. Machine Learning fokuserer på kun én del af AI, læring.
Hvordan bruges maskinlæring?
Computere har altid været mennesker overlegne på en skala. En computer kan præcist udføre store mængder arbejde på kort tid. Dog var computere begrænset til kun at udføre de opgaver, som mennesker forstod godt nok til at skrive koden for at instruere computeren. Vi var med andre ord flaskehalsen i, hvad der kunne lade sig gøre af computere.
Med Machine Learning er computere ikke længere begrænset til, hvad mennesker kan udtrykke. Dette giver dem mulighed for at udføre opgaver, som vi tidligere fandt umulige eller kedelige at fortælle dem, hvordan de skal gøre, såsom:
- Kør biler (Tesla autopilot, Waymo)
- Identificer objekter i et billede (SAM)
- Generer illustrationer (DALL-E)
- Generer tekst (ChatGPT)
- Oversæt teksten (Google Translate)
- Spil spil (MindGo)
Hvorfor lære AI fra bøger
Når du lærer, har bøger den fordel, at de giver et meget dybere dyk end alle andre læringsressourcer. Bøger gennemgår en omfattende skriveproces, hvor de skrives, og sætninger omskrives for klarhedens skyld.
Resultatet er velskrevet prosa, der udtrykker ideer tæt på den bedst mulige måde. Min personlige største grund til at foretrække tekstbaserede ressourcer er, hvor nemt det er at referere og gense nogle af begreberne. Dette er sværere i videobaserede ressourcer såsom tutorials og kurser. Så lad os udforske de bedste bøger til læring af maskinlæring.
Den hundrede sider lange maskinlæringsbog
The Hundred-Page Machine Learning Book er præcis det, en bog, der lærer dig maskinlæring på 100 sider. På grund af 100-siders begrænsningen giver bogen dig kun et overblik over emnet uden at komme for meget i ukrudtet.
Den er ideel til begyndere, da den dækker de vigtigste grundelementer i feltet, såsom overvåget og uovervåget læring, ensemblemetoder, støttevektormaskiner og gradientnedstigning.
Bogen er skrevet af Andriy Burkov, specialist i naturlig sprogbehandling med en ph.d. i kunstig intelligens.
Machine Learning for absolutte begyndere
Skrevet af Oliver Theobald, dette er en af de nemmeste og mest skånsomme introduktioner til maskinlæring, du finder.
Fra denne bog vil du modtage en introduktion til maskinlæring, men forfatteren forudsætter ingen tidligere kodningserfaring. I stedet gives forklaringer på almindeligt engelsk og grafiske hjælpemidler for at gøre det lettere at forstå.
Du vil dog stadig lære at kode, og bogen indeholder nogle gratis kodeøvelser, der kan downloades, og supplerende videotutorials. Denne bog alene vil dog ikke gøre dig til en Machine Learning-ekspert. Du skal stadig lære yderligere med andre ressourcer.
Dyb læring
Denne bog er sandsynligvis den mest omfattende, du finder om Deep Learning. Det blev også skrevet af et team af eksperter, herunder Ian Goodfellow, en forsker, der udviklede Generative Adversarial Networks.
Det lærer dig de matematiske begreber, du skal bruge for at forstå dyb læring, herunder lineær algebra, sandsynlighedsteori, informationsteori og numerisk beregning.
Bogen dækker de forskellige typer netværk, der bruges i Deep Learning, herunder Deep Feedforward Networks, Convolutional Neural Networks og Optimization Networks. Yderligere blev den godkendt af Elon Musk som den eneste omfattende bog om emnet.
En introduktion til statistisk læring
En introduktion til statistisk læring giver et overblik over området for statistisk læring. Statistisk læring er en undergruppe af Machine Learning, der blandt andet inkluderer læringsmetoder såsom lineære regressioner, klassificering og understøttelse af vektormaskiner.
Alle disse teknikker er dækket i bogen. For at styrke de begreber, der er dækket, bruger bogen eksempler fra den virkelige verden. Det fokuserer på at implementere begreberne lært i R, et populært programmeringssprog, der bruges i maskinlæring, der bruges til statistisk databehandling.
Bogen er skrevet af Trevor Hastie, Robert Tibshirami, Daniela Witten og Gartehm James, som alle er professorer i statistik. På trods af sin stærke forankring i statistik, burde bogen være fin for statistikere og ikke-statistikere.
Programmering af kollektiv intelligens
Programmering af kollektiv intelligens er en nyttig bog, der lærer softwareudviklere, hvordan man bygger applikationer, der bruger datamining og maskinlæring.
Blandt andre algoritmer dækker det, hvordan anbefalingssystemer, clustering, søgemaskiner og optimeringsalgoritmer fungerer. Den indeholder kortfattede kodeeksempler og øvelser, der hjælper dig med at øve.
Bogen er skrevet af Toby Segaran, som også har skrevet “Programming the Semantic Web” og “Beautiful Data”.
Fundamentals of Machine Learning for Predictive Data Analysis
Denne bog introducerer dig til de centrale maskinlæringstilgange, der bruges til at lave forudsigelser. Inden den praktiske dækker tilgange til maskinlæring, giver bogen et overblik over de teoretiske begreber, du bør kende.
Bogen dækker, hvordan man bruger maskinlæring til at lave prisforudsigelser, risikovurderinger, forudsige kundeadfærd og klassificere dokumenter.
Den dækker de fire tilgange til maskinlæring: informationsbaseret læring, fejlbaseret læring, lighedsbaseret læring og sandsynlighedsbaseret læring. Den er skrevet af John D. Kelleher, Brian Mac Namee og Aoife D’Arcy.
Forstå Machine Learning: Fra teori til algoritmer
Bogen introducerer maskinlæring og de algoritmer, der muliggør det. Det giver et teoretisk overblik over grundlæggende maskinlæring og hvordan matematik er udledt.
Det viser også, hvordan disse grundlæggende principper derefter oversættes til algoritmer og kode. Disse algoritmer inkluderer stokastisk gradientnedstigning, neurale netværk og struktureret outputlæring.
Bogen er skrevet til kandidater og avancerede bachelorer af Shai Shalev-Shwartz og Shai Ben-David. En fysisk kopi kan købes fra Amazon, og en gratis onlineversion er tilgængelig her til download og ikke-kommerciel brug.
Machine Learning for hackere
Machine Learning for Hackers er en bog skrevet med erfarne programmører i tankerne. Det introducerer dig til maskinlæring på en praktisk og mere praktisk måde. Du vil lære begreber fra casestudier i stedet for den matematiktunge tilgang, som andre bøger har.
Bogen indeholder kapitler, der fokuserer på et specifikt område inden for maskinlæring, såsom klassificering, forudsigelse, optimering og anbefaling.
Det fokuserer på at implementere modellerne i R-programmeringssproget og inkluderer spændende projekter såsom en spam-e-mail-klassificering, forudsigelse af webstedssidevisninger og en enkeltbogstavsdechiffrering.
Bogen er skrevet af Drew Conway og John Myles White, som begge var medforfatter til en anden bog “Machine Learning for Email”.
Praktisk maskinlæring med R
Hands-On Machine Learning dækker, hvordan man implementerer algoritmer såsom klyngealgoritmer, autoenkodere, tilfældige skove, dybe neurale netværk og mange andre. Implementeringen sker ved hjælp af programmeringssproget R og forskellige pakker inden for dets økosystem.
Bogen er ikke en R-sprog tutorial i sig selv. Derfor bør læsere allerede være fortrolige med sproget, før de bruger bogen. En fysisk version af bogen kan købes hos Amazon, og en onlineversion er gratis tilgængelig her.
Python Machine Learning
Denne bog om Python Machine Learning introducerer maskinlæring og hvordan man implementerer det i Python. Det begynder med at dække de grundlæggende og mest grundlæggende biblioteker, der bruges i maskinlæring, såsom NumPy til numerisk beregning og Pandas til håndtering af tabeldata.
Derefter introduceres biblioteker såsom scikit-learn, som bruges til at bygge maskinlæringsmodeller. Bogen dækker også visualisering af data ved hjælp af Matplotlib. Det forklarer algoritmer som regression, clustering og klassifikation. Det dækker også, hvordan man implementerer modeller.
Overordnet set er denne bog en omfattende introduktion til maskinlæring, så du kan begynde at implementere dine egne modeller og inkorporere dem i dine applikationer. Bogen er skrevet af Weng Meng Lee, grundlæggeren af Developer Learning Solutions.
Tolkbar maskinlæring med Python
Tolkbar maskinlæring med Python er en omfattende guide til maskinlæring, der giver et overblik over maskinlæringsmodeller, og hvordan man mindsker forudsigelsesrisici og forbedrer fortolkningen gennem praktiske eksempler og trin-for-trin kodeimplementeringer.
Ved at dække fundamentale fortolkningsmuligheder, forskellige modeltyper, fortolkningsmetoder og tuning-teknikker, udstyrer bogen læserne med viden om fortolkning og færdigheder til at forbedre maskinlæringsmodeller effektivt. Bogen er skrevet af Serg Masís, en klima- og agronomisk dataforsker.
Afsluttende ord
Denne liste over bøger er naturligvis ikke udtømmende, men disse er nogle af de bedste bøger at bruge til at lære maskinlæring som kandidat. Mens det meste AI er implementeret med kode, behøver du ikke altid at skrive koden. Der er masser af No Code AI-værktøjer til at gøre det nemmere at udvikle.
Dernæst skal du tjekke maskinlæringsplatforme med lav kode og kodefri til brug.