Strojové učení se v posledních několika letech a měsících stalo velmi populární. Průmysloví analytici předpokládají, že strojové učení a obecně umělá inteligence budou mít na lidstvo stejný dopad jako internet nebo CPU.
Pokud se chcete naučit strojové učení, jste na správném místě. Tento článek je průvodcem nejlepšími knihami o strojovém učení pro absolventy.
Table of Contents
Co je strojové učení?
Strojové učení se týká vývoje a používání algoritmů, které umožňují strojům naučit se, jak provádět úkoly, místo toho, aby je explicitně programovaly, aby prováděly uvedené úkoly.
Strojové učení je obor obsažený v rámci umělé inteligence. Umělá inteligence se šířeji zabývá rozvojem inteligentního chování v počítačích. Strojové učení se zaměřuje pouze na jednu část AI, učení.
Jak se používá strojové učení?
Počítače byly v měřítku vždy lepší než lidé. Počítač dokáže přesně provést velké množství práce v krátkém čase. Počítače se však omezovaly na provádění pouze úkolů, kterým lidé rozuměli natolik dobře, aby mohli napsat kód, který počítač instruuje. Jinými slovy, byli jsme úzkým hrdlem v tom, co bylo možné udělat pomocí počítačů.
Díky strojovému učení se počítače již neomezují na to, co mohou vyjádřit lidé. To jim umožňuje provádět úkoly, které jsme dříve považovali za nemožné nebo zdlouhavé říkat jim, jak je mají dělat, jako například:
- Řídit auta (autopilot Tesla, Waymo)
- Identifikace objektů na obrázku (SAM)
- Generovat umělecká díla (DALL-E)
- Vygenerovat text (ChatGPT)
- Přeložte text (Google Translate)
- Hrajte hry (MindGo)
Proč se učit AI z knih
Při učení mají knihy tu výhodu, že poskytují mnohem hlubší ponor než všechny ostatní výukové zdroje. Knihy procházejí rozsáhlým procesem psaní, kde jsou psány, a věty jsou přepisovány kvůli srozumitelnosti.
Výsledkem je dobře napsaná próza, která vyjadřuje myšlenky co nejlépe. Můj osobní největší důvod, proč upřednostňuji textové zdroje, je to, jak snadné je odkazovat na některé koncepty a znovu je procházet. To je těžší ve zdrojích založených na videu, jako jsou tutoriály a kurzy. Pojďme se tedy podívat na nejlepší knihy pro výuku strojového učení.
Stostránková kniha strojového učení
Stostránková kniha strojového učení je přesně taková, kniha, která vás na 100 stranách naučí strojové učení. Kvůli 100stránkovému omezení vám kniha poskytne pouze přehled o tématu, aniž by se příliš zapletla do plevele.
Je ideální pro začátečníky, protože pokrývá nejdůležitější základy oboru, jako je učení pod dohledem a bez dozoru, souborové metody, podpůrné vektorové stroje a gradientní sestup.
Knihu napsal Andriy Burkov, specialista na zpracování přirozeného jazyka s titulem Ph.D. v Umělé inteligenci.
Strojové učení pro úplné začátečníky
Toto je jeden z nejjednodušších a nejšetrnějších úvodů do strojového učení, který napsal Oliver Theobald.
Z této knihy získáte úvod do strojového učení, ale autor nepředpokládá žádné předchozí zkušenosti s programováním. Místo toho jsou vysvětlení uvedena v jednoduché angličtině a grafické pomůcky, které usnadňují porozumění.
Stále se však naučíte kódovat a kniha obsahuje několik bezplatných cvičení s kódem ke stažení a doplňkových výukových videí. Tato kniha sama o sobě však z vás neudělá odborníka na strojové učení. Stále se budete muset učit dále s jinými zdroji.
Hluboké učení
Tato kniha je pravděpodobně nejobsáhlejší, jakou o Hlubokém učení najdete. Napsal ji také tým odborníků, včetně Iana Goodfellowa, výzkumníka, který vyvinul Generative Adversarial Networks.
Naučí vás matematické koncepty, které budete potřebovat k pochopení hlubokého učení, včetně lineární algebry, teorie pravděpodobnosti, teorie informace a numerických počítání.
Kniha pokrývá různé typy sítí používaných v hlubokém učení, včetně sítí Deep Feedforward Networks, konvolučních neuronových sítí a sítí optimalizace. Dále byla schválena Elonem Muskem jako jediná komplexní kniha na toto téma.
Úvod do statistického učení
Úvod do statistického učení poskytuje přehled o oblasti statistického učení. Statistické učení je podmnožina strojového učení, která zahrnuje metody učení, jako jsou mimo jiné lineární regrese, klasifikace a podpůrné vektorové stroje.
Všechny tyto techniky jsou v knize popsány. K upevnění probraných pojmů kniha používá příklady ze skutečného světa. Zaměřuje se na implementaci konceptů naučených v R, populárním programovacím jazyku používaném ve strojovém učení, který se používá pro statistické výpočty.
Knihu napsali Trevor Hastie, Robert Tibshirami, Daniela Witten a Gartehm James, z nichž všichni jsou profesory statistiky. Navzdory silnému základu ve statistice by kniha měla být vhodná pro statistiky i nestatistiky.
Programování kolektivní inteligence
Programming Collective Intelligence je užitečná kniha, která učí vývojáře softwaru, jak vytvářet aplikace využívající dolování dat a strojové učení.
Kromě jiných algoritmů pokrývá, jak fungují systémy doporučení, shlukování, vyhledávače a optimalizační algoritmy. Obsahuje stručné příklady kódu a cvičení, která vám pomohou procvičit.
Knihu napsal Toby Segaran, který také napsal „Programování sémantického webu“ a „Krásná data“.
Základy strojového učení pro prediktivní analýzu dat
Tato kniha vám představí základní přístupy strojového učení používané při vytváření předpovědí. Před praktickým pokrytím přístupů ke strojovému učení poskytuje kniha přehled teoretických konceptů, které byste měli znát.
Kniha popisuje, jak používat strojové učení k předpovídání cen, hodnocení rizik, předvídání chování zákazníků a klasifikaci dokumentů.
Zahrnuje čtyři přístupy ke strojovému učení: učení založené na informacích, učení založené na chybách, učení založené na podobnosti a učení založené na pravděpodobnosti. Napsali ji John D. Kelleher, Brian Mac Namee a Aoife D’Arcy.
Pochopte strojové učení: Od teorie k algoritmům
Kniha představuje strojové učení a algoritmy, které jej umožňují. Poskytuje teoretický přehled základů strojového učení a toho, jak je odvozena matematika.
Ukazuje také, jak jsou tyto základní principy následně převedeny do algoritmů a kódu. Tyto algoritmy zahrnují sestup stochastického gradientu, neuronové sítě a učení se strukturovaným výstupem.
Knihu pro absolventy a pokročilé vysokoškoláky napsali Shai Shalev-Shwartz a Shai Ben-David. Fyzickou kopii lze zakoupit na Amazonu a bezplatná online verze je k dispozici zde ke stažení a nekomerčnímu použití.
Strojové učení pro hackery
Machine Learning for Hackers je kniha napsaná s ohledem na zkušené programátory. Praktickým a praktičtějším způsobem vás seznámí se strojovým učením. Naučíte se koncepty z případových studií namísto matematicky náročného přístupu používaného jinými knihami.
Kniha obsahuje kapitoly zaměřené na konkrétní oblast strojového učení, jako je klasifikace, predikce, optimalizace a doporučení.
Zaměřuje se na implementaci modelů v programovacím jazyce R a zahrnuje vzrušující projekty, jako je klasifikátor spamových e-mailů, prediktor zobrazení webové stránky a dešifrování jednoho písmene.
Knihu napsali Drew Conway a John Myles White, kteří jsou spoluautory další knihy „Machine Learning for Email“.
Praktické strojové učení s R
Hands-On Machine Learning se zabývá tím, jak implementovat algoritmy, jako jsou shlukovací algoritmy, autokodéry, náhodné lesy, hluboké neuronové sítě a mnoho dalších. Implementace se provádí pomocí programovacího jazyka R a různých balíčků v rámci jeho ekosystému.
Kniha sama o sobě není výukovým programem jazyka R. Čtenáři by proto měli být již před použitím knihy obeznámeni s jazykem. Fyzickou verzi knihy lze zakoupit na Amazonu a online verze je k dispozici zdarma zde.
Strojové učení Pythonu
Tato kniha o Python Machine Learning představuje strojové učení a jak jej implementovat v Pythonu. Začíná tím, že pokryje základní a nejzákladnější knihovny používané ve strojovém učení, jako je NumPy pro numerické výpočty a Pandas pro práci s tabulkovými daty.
Poté představuje knihovny, jako je scikit-learn, který se používá k vytváření modelů strojového učení. Kniha také pokrývá vizualizaci dat pomocí Matplotlib. Vysvětluje algoritmy, jako je regrese, shlukování a klasifikace. Také popisuje, jak nasadit modely.
Celkově je tato kniha komplexním úvodem do strojového učení, takže můžete začít implementovat své vlastní modely a začlenit je do svých aplikací. Knihu napsal Weng Meng Lee, zakladatel Developer Learning Solutions.
Interpretovatelné strojové učení s Pythonem
Interpretable Machine Learning with Python je komplexní průvodce strojovým učením, který poskytuje přehled o modelech strojového učení a o tom, jak zmírnit rizika predikce a zlepšit interpretovatelnost pomocí praktických příkladů a implementace kódu krok za krokem.
Tím, že kniha pokrývá základy interpretovatelnosti, různé typy modelů, interpretační metody a techniky ladění, vybavuje čtenáře znalostmi interpretace a dovednostmi pro efektivní zlepšování modelů strojového učení. Knihu napsal Serg Masís, odborník na klima a agronomické údaje.
Závěrečná slova
Tento seznam knih samozřejmě není vyčerpávající, ale toto jsou některé z nejlepších knih, které lze použít k výuce strojového učení jako absolvent. Zatímco většina AI je implementována pomocí kódu, nemusíte vždy kód psát. Existuje spousta nástrojů No Code AI, které usnadňují vývoj.
Dále se podívejte na platformy strojového učení s nízkým a žádným kódem, které můžete použít.