V posledních letech a měsících zaznamenalo strojové učení obrovský nárůst popularity. Odborníci z oboru předpovídají, že strojové učení a obecněji umělá inteligence budou mít na lidskou společnost stejný transformační dopad jako internet nebo procesory CPU.
Pokud máte zájem proniknout do světa strojového učení, jste na správném místě. Tento článek vám poslouží jako průvodce nejlepšími knihami, které jsou ideální pro absolventy a zájemce o toto fascinující odvětví.
Co je to strojové učení?
Strojové učení spočívá ve vytváření a aplikaci algoritmů, které umožňují počítačům učit se provádět úkoly bez explicitního programování pro každý jednotlivý úkol. Místo toho se algoritmy učí na základě dat a zkušeností.
Strojové učení je klíčovou součástí širšího oboru umělé inteligence. Umělá inteligence se obecně zabývá vývojem inteligentního chování v počítačových systémech, zatímco strojové učení se specificky zaměřuje na proces učení se z dat.
Jak se strojové učení používá?
Počítače byly vždy efektivnější než lidé v provádění rozsáhlých výpočtů. Dokážou rychle a přesně zpracovat obrovské množství dat. Nicméně, jejich možnosti byly omezené na úlohy, které lidé uměli přesně definovat pomocí kódu. Jinými slovy, lidé byli limitujícím faktorem v tom, co se dalo s počítači dělat.
Díky strojovému učení se počítače již neomezují pouze na to, co dokážeme explicitně naprogramovat. Mohou tak provádět úkoly, které se dříve zdály nemožné nebo příliš složité na popis, například:
- Řízení automobilů (například autopilot od Tesly, Waymo)
- Identifikace objektů na obrázcích (například SAM)
- Generování uměleckých děl (například DALL-E)
- Generování textu (například ChatGPT)
- Překlad textu (například Google Translate)
- Hraní her (například MindGo)
Proč studovat AI z knih?
Knihy mají při vzdělávání tu výhodu, že nabízejí mnohem hlubší vhled do dané problematiky než jakékoli jiné zdroje. Vznik knihy je dlouhý a pečlivý proces, při kterém je text mnohokrát revidován pro maximální srozumitelnost.
Výsledkem je dobře napsaný text, který nejlépe vyjadřuje dané myšlenky. Můj osobní důvod, proč preferuji tištěné zdroje, je snadná možnost vyhledávání a opakovaného procházení jednotlivých konceptů. To je obtížnější u video tutoriálů a kurzů. Podívejme se tedy na ty nejlepší knihy pro výuku strojového učení.
Stostránková kniha o strojovém učení
„Stostránková kniha o strojovém učení“ je přesně to, co název napovídá – kniha, která vás na 100 stranách provede světem strojového učení. Vzhledem k omezenému rozsahu kniha poskytuje pouze stručný přehled, aniž by se příliš zahloubila do detailů.
Je ideální pro začátečníky, jelikož pokrývá nejzákladnější principy oboru, jako je učení pod dohledem a bez dozoru, ensemble metody, support vector machines (SVM) a gradientní sestup.
Autorem je Andriy Burkov, specialista na zpracování přirozeného jazyka s doktorátem v oboru umělé inteligence.
Strojové učení pro naprosté začátečníky
Tato kniha od Olivera Theobalda představuje jeden z nejjednodušších a nejvíce srozumitelných úvodů do strojového učení.
Kniha slouží jako úvod do oboru strojového učení a nepředpokládá žádné předchozí programátorské zkušenosti. Vše je vysvětleno jednoduchým jazykem, doplněno o grafické ilustrace pro lepší pochopení.
I přesto se naučíte programovat. Kniha obsahuje i cvičení ke stažení s kódem a doplňující výuková videa. Samotná kniha z vás ale experta na strojové učení neudělá, proto je vhodné dále se vzdělávat i s jinými zdroji.
Hluboké učení
Tato kniha je pravděpodobně nejkomplexnější publikací o hlubokém učení. Její autorský tým zahrnuje i Iana Goodfellowa, výzkumníka, který stál u zrodu generativních soupeřivých sítí (Generative Adversarial Networks).
Naučíte se matematické principy, které jsou nezbytné pro pochopení hlubokého učení, včetně lineární algebry, teorie pravděpodobnosti, teorie informace a numerické analýzy.
Kniha pojednává o různých typech sítí, které se používají v hlubokém učení, například hluboké dopředné sítě, konvoluční neuronové sítě a optimalizační sítě. Knihu samotnou Elon Musk označil jako jedinou kompletní publikaci na dané téma.
Úvod do statistického učení
„Úvod do statistického učení“ poskytuje komplexní přehled o oboru statistického učení, které je podmnožinou strojového učení. Zahrnuje metody jako je lineární regrese, klasifikace a support vector machines.
Všechny tyto techniky jsou v knize důkladně popsány, včetně příkladů z reálného světa. Knihu využívá programovací jazyk R, který je oblíbený pro statistické výpočty a strojové učení.
Autory knihy jsou Trevor Hastie, Robert Tibshirani, Daniela Witten a Gartehm James, kteří působí jako profesoři statistiky. Kniha je sice založena na statistických principech, je ale vhodná pro statistiky i nestatistiky.
Programování kolektivní inteligence
„Programování kolektivní inteligence“ je užitečná kniha pro vývojáře softwaru, kteří chtějí vytvářet aplikace využívající dolování dat a strojové učení.
Kromě mnoha dalších algoritmů kniha vysvětluje principy fungování doporučovacích systémů, shlukování, vyhledávačů a optimalizačních algoritmů. Součástí jsou stručné příklady kódu a cvičení.
Autorem knihy je Toby Segaran, který je také autorem knih „Programování sémantického webu“ a „Krásná data“.
Základy strojového učení pro prediktivní analýzu dat
Tato kniha vás seznámí se základními přístupy strojového učení pro predikci. Před praktickou aplikací se kniha věnuje nezbytným teoretickým konceptům.
V knize je vysvětleno, jak využít strojové učení k předpovídání cen, hodnocení rizik, předvídání chování zákazníků a klasifikaci dokumentů.
Představuje čtyři základní přístupy ke strojovému učení: učení založené na informacích, učení založené na chybách, učení založené na podobnosti a učení založené na pravděpodobnosti. Autory jsou John D. Kelleher, Brian Mac Namee a Aoife D’Arcy.
Pochopte strojové učení: Od teorie k algoritmům
Tato kniha detailně představuje strojové učení a algoritmy, na kterých je postaveno. Nabízí teoretický přehled základů strojového učení a jejich matematického odvození.
Ukazuje také, jak se tyto základní principy převádí do algoritmů a kódu. Mezi tyto algoritmy patří například stochastický gradientní sestup, neuronové sítě a učení se strukturovaným výstupem.
Kniha je vhodná pro studenty a pokročilé studenty vysokých škol. Autory jsou Shai Shalev-Shwartz a Shai Ben-David. Fyzickou kopii knihy lze zakoupit na Amazonu, bezplatná online verze je k dispozici ke stažení pro nekomerční účely.
Strojové učení pro hackery
„Strojové učení pro hackery“ je kniha napsaná s ohledem na zkušené programátory. Seznamuje vás se strojovým učením praktickým způsobem. Koncepty si osvojíte pomocí případových studií, spíše než matematicky náročným přístupem.
Kniha obsahuje kapitoly zaměřené na konkrétní oblasti strojového učení, jako je klasifikace, predikce, optimalizace a doporučení.
Zaměřuje se na implementaci modelů v programovacím jazyce R a zahrnuje zajímavé projekty, jako je klasifikátor spamu, prediktor zobrazení webové stránky a dešifrování písmen.
Autory jsou Drew Conway a John Myles White, kteří spolu napsali knihu „Machine Learning for Email“.
Praktické strojové učení s R
„Hands-On Machine Learning“ se zabývá implementací algoritmů, jako jsou shlukovací algoritmy, autoenkodéry, náhodné lesy, hluboké neuronové sítě a mnoho dalších. Implementace se provádí pomocí programovacího jazyka R a různých knihoven v jeho ekosystému.
Kniha sama o sobě není výukovým kurzem jazyka R, čtenáři by tak měli jazyk ovládat již před použitím knihy. Fyzickou verzi knihy lze zakoupit na Amazonu a online verze je k dispozici zdarma.
Strojové učení s Pythonem
Tato kniha o strojovém učení v Pythonu představuje jak strojové učení, tak i jeho implementaci v Pythonu. Začíná představením základních knihoven používaných ve strojovém učení, jako jsou NumPy pro numerické výpočty a Pandas pro práci s tabulkovými daty.
Následně představuje knihovny jako scikit-learn pro vytváření modelů strojového učení. Kniha také pojednává o vizualizaci dat s použitím knihovny Matplotlib a vysvětluje algoritmy jako regrese, shlukování a klasifikace. Nechybí ani popis nasazování modelů.
Celkově se jedná o komplexní úvod do strojového učení, který vám umožní začít implementovat vlastní modely a začlenit je do vašich aplikací. Autorem je Weng Meng Lee, zakladatel Developer Learning Solutions.
Interpretovatelné strojové učení s Pythonem
„Interpretovatelné strojové učení s Pythonem“ je komplexní průvodce strojovým učením, který nabízí přehled o modelech strojového učení, o zmírňování rizik predikce a o zlepšování interpretovatelnosti pomocí praktických příkladů a implementace kódu krok za krokem.
Kniha se věnuje základům interpretovatelnosti, různým typům modelů, interpretačním metodám a technikám ladění. Čtenáře tak vybaví potřebnými znalostmi pro interpretaci a zlepšování modelů strojového učení. Autorem knihy je Serg Masís, odborník na klima a agronomická data.
Závěrečná slova
Tento seznam knih není samozřejmě vyčerpávající, ale jedná se o některé z nejlepších publikací, které vám mohou pomoci s výukou strojového učení. Ačkoli většina aplikací umělé inteligence je implementována pomocí kódu, nemusíte vždy kód nutně psát. Existuje spousta nástrojů No-Code AI, které usnadňují vývoj.
Prozkoumejte také platformy strojového učení s nízkým kódem i platformy bez kódu, které vám mohou usnadnit práci.