Machine Learning har vokst til å bli veldig populært de siste årene og månedene. Bransjeanalytikere forventer at maskinlæring, og i store trekk kunstig intelligens, vil ha like stor innvirkning på menneskeheten som internett eller CPU.
Hvis du ønsker å lære maskinlæring, er du på rett sted. Denne artikkelen er en guide om de beste maskinlæringsbøkene for nyutdannede.
Innholdsfortegnelse
Hva er maskinlæring?
Maskinlæring refererer til utvikling og bruk av algoritmer som gjør det mulig for maskiner å lære hvordan de skal utføre oppgaver i stedet for å eksplisitt programmere dem til å utføre de nevnte oppgavene.
Maskinlæring er et felt innenfor kunstig intelligens. Kunstig intelligens er mer generelt opptatt av å utvikle intelligent atferd i datamaskiner. Machine Learning fokuserer på bare én del av AI, læring.
Hvordan brukes maskinlæring?
Datamaskiner har alltid vært overlegne mennesker på en skala. En datamaskin kan nøyaktig utføre store mengder arbeid på kort tid. Imidlertid var datamaskiner begrenset til å utføre bare oppgavene som mennesker forsto godt nok til å skrive koden for å instruere datamaskinen. Vi var med andre ord flaskehalsen i hva som kunne gjøres av datamaskiner.
Med maskinlæring er datamaskiner ikke lenger begrenset til hva mennesker kan uttrykke. Dette lar dem utføre oppgaver som vi tidligere syntes var umulige eller kjedelige å fortelle dem hvordan de skal gjøre, for eksempel:
- Kjør biler (Tesla autopilot, Waymo)
- Identifiser objekter i et bilde (SAM)
- Generer kunstverk (DALL-E)
- Generer tekst (ChatGPT)
- Oversett teksten (Google Translate)
- Spill spill (MindGo)
Hvorfor lære AI fra bøker
Når du lærer, har bøker fordelen av å gi et mye dypere dykk enn alle andre læringsressurser. Bøker går gjennom en omfattende skriveprosess der de skrives, og setninger omskrives for klarhet.
Resultatet er velskrevet prosa som uttrykker ideer på tilnærmet best mulig måte. Min personlige største grunn til å foretrekke tekstbaserte ressurser er hvor enkelt det er å referere til og revidere noen av konseptene. Dette er vanskeligere i videobaserte ressurser som opplæringsprogrammer og kurs. Så la oss utforske de beste bøkene for å lære maskinlæring.
Den hundre sider lange maskinlæringsboken
The Hundred-Page Machine Learning Book er akkurat det, en bok som lærer deg maskinlæring på 100 sider. På grunn av 100-siders begrensningen gir boken deg bare en oversikt over emnet uten å gå for mye i ugresset.
Den er ideell for nybegynnere ettersom den dekker de viktigste grunnleggende for feltet, for eksempel overvåket og uovervåket læring, ensemblemetoder, støttevektormaskiner og gradientnedstigning.
Boken er skrevet av Andriy Burkov, spesialist i naturlig språkbehandling med en Ph.D. i kunstig intelligens.
Maskinlæring for absolutt nybegynnere
Skrevet av Oliver Theobald, dette er en av de enkleste og mest skånsomme introduksjonene til maskinlæring du finner.
Fra denne boken vil du få en introduksjon til maskinlæring, men forfatteren forutsetter ingen tidligere erfaring med koding. I stedet gis forklaringer på vanlig engelsk og grafiske hjelpemidler for å gjøre det lettere å forstå.
Du vil imidlertid fortsatt lære å kode, og boken inneholder noen gratis, nedlastbare kodeøvelser og supplerende videoopplæringer. Denne boken alene vil imidlertid ikke gjøre deg til en maskinlæringsekspert. Du må fortsatt lære videre med andre ressurser.
Deep Learning
Denne boken er sannsynligvis den mest omfattende du finner på Deep Learning. Den ble også skrevet av et team av eksperter, inkludert Ian Goodfellow, en forsker som utviklet Generative Adversarial Networks.
Den lærer deg de matematiske konseptene du trenger for å forstå dyp læring, inkludert lineær algebra, sannsynlighetsteori, informasjonsteori og numerisk beregning.
Boken dekker de forskjellige typene nettverk som brukes i Deep Learning, inkludert Deep Feedforward Networks, Convolutional Neural Networks og Optimization Networks. Videre ble den godkjent av Elon Musk som den eneste omfattende boken om emnet.
En introduksjon til statistisk læring
En introduksjon til statistisk læring gir en oversikt over feltet statistisk læring. Statistisk læring er en undergruppe av maskinlæring som inkluderer læringsmetoder som lineære regresjoner, klassifisering og støttevektormaskiner, blant andre.
Alle disse teknikkene er dekket i boken. For å styrke konseptene som dekkes, bruker boken eksempler fra den virkelige verden. Den fokuserer på å implementere konseptene som er lært i R, et populært programmeringsspråk som brukes i maskinlæring som brukes til statistisk databehandling.
Boken ble skrevet av Trevor Hastie, Robert Tibshirami, Daniela Witten og Gartehm James, som alle er professorer i statistikk. Til tross for sin sterke forankring i statistikk, burde boken være fin for statistikere og ikke-statistikere.
Programmering av kollektiv intelligens
Programmering av kollektiv intelligens er en nyttig bok som lærer programvareutviklere hvordan de bygger applikasjoner som bruker datautvinning og maskinlæring.
Blant andre algoritmer dekker den hvordan anbefalingssystemer, clustering, søkemotorer og optimaliseringsalgoritmer fungerer. Den inneholder konsise kodeeksempler og øvelser for å hjelpe deg med å øve.
Boken ble skrevet av Toby Segaran, som også forfattet «Programming the Semantic Web» og «Beautiful Data».
Grunnleggende om maskinlæring for prediktiv dataanalyse
Denne boken introduserer deg til kjernemetodene for maskinlæring som brukes til å lage spådommer. Før den praktisk dekker tilnærmingene til maskinlæring, gir boken en oversikt over de teoretiske konseptene du bør kjenne til.
Boken dekker hvordan man bruker maskinlæring til å lage prisforutsigelser, risikovurderinger, forutsi kundeatferd og klassifisere dokumenter.
Den dekker de fire tilnærmingene til maskinlæring: informasjonsbasert læring, feilbasert læring, likhetsbasert læring og sannsynlighetsbasert læring. Den ble skrevet av John D. Kelleher, Brian Mac Namee og Aoife D’Arcy.
Forstå maskinlæring: Fra teori til algoritmer
Boken introduserer maskinlæring og algoritmene som muliggjør det. Den gir en teoretisk oversikt over grunnleggende maskinlæring og hvordan matematikk er utledet.
Den viser også hvordan disse grunnleggende prinsippene deretter blir oversatt til algoritmer og kode. Disse algoritmene inkluderer stokastisk gradientnedstigning, nevrale nettverk og strukturert utdatalæring.
Boken ble skrevet for nyutdannede og viderekomne studenter av Shai Shalev-Shwartz og Shai Ben-David. En fysisk kopi kan kjøpes fra Amazon, og en gratis nettversjon er tilgjengelig her for nedlasting og ikke-kommersiell bruk.
Maskinlæring for hackere
Machine Learning for Hackers er en bok skrevet med erfarne programmerere i tankene. Den introduserer deg til maskinlæring på en praktisk og mer praktisk måte. Du vil lære konsepter fra case-studier i stedet for den matematikk-tunge tilnærmingen tatt av andre bøker.
Boken består av kapitler som fokuserer på et spesifikt område innen maskinlæring, for eksempel klassifisering, prediksjon, optimalisering og anbefaling.
Den fokuserer på å implementere modellene i R-programmeringsspråket og inkluderer spennende prosjekter som en spam-e-postklassifisering, prediktor for sidevisninger på nettsider og en enkeltbokstavsdechiffrering.
Boken ble skrevet av Drew Conway og John Myles White, som begge var medforfatter av en annen bok «Machine Learning for Email».
Praktisk maskinlæring med R
Hands-On Machine Learning dekker hvordan du implementerer algoritmer som klyngealgoritmer, autoenkodere, tilfeldige skoger, dype nevrale nettverk og mange andre. Implementeringen gjøres ved hjelp av programmeringsspråket R og ulike pakker innenfor dets økosystem.
Boken er ikke en R-språkopplæring i seg selv. Derfor bør leserne allerede være kjent med språket før de bruker boken. En fysisk versjon av boken kan kjøpes fra Amazon, og en nettversjon er tilgjengelig gratis her.
Python maskinlæring
Denne boken om Python Machine Learning introduserer maskinlæring og hvordan du implementerer den i Python. Det begynner med å dekke de grunnleggende og mest grunnleggende bibliotekene som brukes i maskinlæring, for eksempel NumPy for numerisk beregning og Pandas for å håndtere tabelldata.
Deretter introduserer den biblioteker som scikit-learn, som brukes til å bygge maskinlæringsmodeller. Boken dekker også visualisering av data ved hjelp av Matplotlib. Den forklarer algoritmer som regresjon, clustering og klassifisering. Den dekker også hvordan du distribuerer modeller.
Totalt sett er denne boken en omfattende introduksjon til maskinlæring slik at du kan begynne å implementere dine egne modeller og inkorporere dem i applikasjonene dine. Boken er skrevet av Weng Meng Lee, grunnleggeren av Developer Learning Solutions.
Tolkbar maskinlæring med Python
Tolkbar maskinlæring med Python er en omfattende veiledning til maskinlæring som gir en oversikt over maskinlæringsmodeller og hvordan man kan redusere prediksjonsrisiko og forbedre tolkbarheten gjennom praktiske eksempler og trinnvise kodeimplementeringer.
Ved å dekke grunnleggende tolkninger, ulike modelltyper, tolkningsmetoder og innstillingsteknikker, utstyrer boken leserne med kunnskap om tolkning og ferdigheter for å forbedre maskinlæringsmodeller effektivt. Boken er skrevet av Serg Masís, en klima- og agronomisk dataforsker.
Siste ord
Denne listen over bøker er åpenbart ikke uttømmende, men dette er noen av de beste bøkene å bruke for å lære maskinlæring som utdannet. Mens det meste av kunstig intelligens er implementert med kode, trenger du ikke alltid å skrive koden. Det er mange No Code AI-verktøy for å gjøre det enklere å utvikle.
Deretter kan du sjekke ut maskinlæringsplattformer med lav kode og ingen kode du kan bruke.