Maskinlæringens fremmarsj
Maskinlæring har opplevd en enorm vekst i popularitet de siste årene. Eksperter i bransjen forventer at maskinlæring, og kunstig intelligens generelt, vil ha en like revolusjonerende innvirkning på menneskeheten som internett eller prosessoren i datamaskiner.
Hvis du er interessert i å dykke ned i maskinlæring, har du kommet til rett sted. Denne artikkelen gir en oversikt over noen av de beste bøkene for nybegynnere innen maskinlæring.
Hva er egentlig maskinlæring?
Maskinlæring handler om å utvikle og anvende algoritmer som gjør det mulig for maskiner å lære å utføre oppgaver, i stedet for å være eksplisitt programmert for å gjøre det.
Maskinlæring er en gren av kunstig intelligens. Mens kunstig intelligens generelt fokuserer på å skape intelligent oppførsel i datamaskiner, konsentrerer maskinlæring seg spesifikt om læringsdelen av kunstig intelligens.
Anvendelsesområder for maskinlæring
Datamaskiner har alltid utmerket seg i å utføre store mengder arbeid raskt og nøyaktig. Tidligere var deres evner begrenset til de oppgavene vi mennesker forsto godt nok til å kode. Vi var med andre ord flaskehalsen for hva datamaskiner kunne utrette.
Med maskinlæring er datamaskiner ikke lenger begrenset til hva mennesker kan uttrykke. De kan utføre oppgaver som tidligere ble ansett som umulige eller for tidkrevende å forklare, for eksempel:
- Kjøre biler autonomt (som Tesla autopilot og Waymo)
- Identifisere objekter i bilder (som SAM)
- Generere kunstverk (som DALL-E)
- Generere tekst (som ChatGPT)
- Oversette tekst (som Google Translate)
- Spille spill (som MindGo)
Hvorfor velge bøker for å lære om kunstig intelligens?
Bøker gir en unik dybde i læringsprosessen. De er resultatet av en grundig skriveprosess, hvor formuleringer og setninger blir finpusset for å oppnå maksimal klarhet.
Dette resulterer i velskrevet tekst som presenterer ideer på en optimal måte. En personlig fordel med tekstbaserte ressurser er den enkle tilgangen for referanse og repetisjon av konsepter. Dette er ofte mer utfordrende med videobaserte ressurser som veiledninger og kurs. La oss derfor se på noen av de beste bøkene for å lære maskinlæring.
«Den hundre sider lange maskinlæringsboken»
Som tittelen antyder, presenterer «The Hundred-Page Machine Learning Book» en komprimert innføring i maskinlæring på kun 100 sider. Denne begrensningen gjør at boken gir en overordnet oversikt uten å fordype seg for mye i detaljer.
Den er ideell for nybegynnere, da den dekker de viktigste fundamentale konseptene som veiledet og uveiledet læring, ensemblemetoder, støttevektormaskiner og gradientnedstigning.
Forfatteren, Andriy Burkov, er ekspert innen naturlig språkbehandling og har en doktorgrad i kunstig intelligens.
«Maskinlæring for absolutt nybegynnere»
Oliver Theobalds «Machine Learning for Absolute Beginners» er en av de mest tilgjengelige introduksjonene til maskinlæring.
Boken gir en grunnleggende innføring i maskinlæring, uten å forutsette noen tidligere erfaring med programmering. Forklaringene er på et enkelt språk, supplert med grafiske hjelpemidler for å forbedre forståelsen.
Selv om boken er lett å forstå, lærer du likevel å kode. Den inneholder gratis nedlastbare kodeøvelser og tilhørende videoinstruksjoner. Det er viktig å merke seg at denne boken alene ikke vil gjøre deg til en ekspert, og at videre læring er nødvendig.
«Deep Learning»
«Deep Learning» er sannsynligvis den mest omfattende boken om dyp læring. Den er skrevet av et team av eksperter, inkludert Ian Goodfellow, en forsker som utviklet Generative Adversarial Networks.
Boken lærer deg de matematiske prinsippene som er nødvendige for å forstå dyp læring, inkludert lineær algebra, sannsynlighetsteori, informasjonsteori og numerisk beregning.
Den tar for seg ulike typer nettverk brukt i dyp læring, inkludert Deep Feedforward Networks, Convolutional Neural Networks og Optimization Networks. Elon Musk har rost boken som den eneste omfattende ressursen på temaet.
«En introduksjon til statistisk læring»
«An Introduction to Statistical Learning» gir en oversikt over statistisk læring, en undergren av maskinlæring som inkluderer læringsmetoder som lineære regresjoner, klassifisering og støttevektormaskiner.
Boken dekker alle disse teknikkene og bruker eksempler fra den virkelige verden for å illustrere konseptene. Den fokuserer på å implementere konseptene i R, et populært programmeringsspråk som brukes i maskinlæring for statistisk databehandling.
Forfatterne Trevor Hastie, Robert Tibshirami, Daniela Witten og Gartehm James er alle professorer i statistikk. Til tross for det statistiske fokuset, er boken egnet både for statistikere og ikke-statistikere.
«Programmering av kollektiv intelligens»
«Programming Collective Intelligence» lærer programvareutviklere hvordan de kan bygge applikasjoner som bruker datautvinning og maskinlæring.
Boken dekker blant annet hvordan anbefalingssystemer, klynger, søkemotorer og optimaliseringsalgoritmer fungerer. Den inneholder konsise kodeeksempler og øvelser for praktisk læring.
Forfatteren, Toby Segaran, har også skrevet «Programming the Semantic Web» og «Beautiful Data».
«Grunnleggende om maskinlæring for prediktiv dataanalyse»
Denne boken introduserer de viktigste metodene for maskinlæring som brukes til å lage prediksjoner. Den gir en oversikt over de teoretiske konseptene før den går over til den praktiske anvendelsen.
Boken viser hvordan maskinlæring kan brukes til å lage prisprediksjoner, risikovurderinger, forutsi kundeatferd og klassifisere dokumenter.
Den dekker de fire tilnærmingene til maskinlæring: informasjonsbasert læring, feilbasert læring, likhetsbasert læring og sannsynlighetsbasert læring. Forfatterne er John D. Kelleher, Brian Mac Namee og Aoife D’Arcy.
«Forstå maskinlæring: Fra teori til algoritmer»
Denne boken gir en innføring i maskinlæring og algoritmene som muliggjør det. Den gir en teoretisk oversikt over grunnleggende maskinlæring og hvordan matematikken er utledet.
Den viser også hvordan disse prinsippene oversettes til algoritmer og kode. Algoritmer som stokastisk gradientnedstigning, nevrale nettverk og strukturert utdatalæring blir behandlet.
Boken er skrevet for studenter på bachelor- og masternivå av Shai Shalev-Shwartz og Shai Ben-David. En fysisk kopi kan kjøpes, mens en gratis onlineversjon er tilgjengelig for nedlasting til ikke-kommersiell bruk.
«Maskinlæring for hackere»
«Machine Learning for Hackers» er skrevet for erfarne programmerere og gir en praktisk innføring i maskinlæring. Konsepter presenteres gjennom case-studier, i stedet for den mer teoretiske tilnærmingen man finner i andre bøker.
Boken er delt inn i kapitler som fokuserer på spesifikke områder innen maskinlæring, som klassifisering, prediksjon, optimalisering og anbefaling.
Den fokuserer på implementering av modeller i R, og inkluderer spennende prosjekter som en spamfilter for e-post, en prediktor for sidevisninger på nettsider og dechiffrering av enkeltbokstaver. Forfatterne er Drew Conway og John Myles White, som også har skrevet boken «Machine Learning for Email».
«Praktisk maskinlæring med R»
«Hands-On Machine Learning» forklarer implementeringen av algoritmer som klyngealgoritmer, autoenkodere, tilfeldige skoger, dype nevrale nettverk og andre. Implementeringen foregår ved hjelp av programmeringsspråket R og tilhørende pakker.
Boken er ikke en introduksjon til R, og lesere bør derfor ha grunnleggende kunnskap om språket før de bruker den. En fysisk utgave er tilgjengelig for kjøp, og en nettversjon er tilgjengelig gratis.
«Python maskinlæring»
Denne boken om «Python Machine Learning» introduserer maskinlæring og hvordan den implementeres i Python. Den begynner med å dekke de grunnleggende bibliotekene som brukes i maskinlæring, som NumPy for numerisk beregning og Pandas for håndtering av tabelldata.
Deretter introduseres biblioteker som scikit-learn, som brukes til å bygge maskinlæringsmodeller. Boken dekker også visualisering av data ved hjelp av Matplotlib og forklarer algoritmer som regresjon, clustering og klassifisering, i tillegg til hvordan modeller kan distribueres.
Dette er en omfattende innføring i maskinlæring som gir deg verktøyene du trenger for å begynne å implementere dine egne modeller og integrere dem i applikasjonene dine. Boken er skrevet av Weng Meng Lee, som er grunnleggeren av Developer Learning Solutions.
«Tolkbar maskinlæring med Python»
«Interpretable Machine Learning with Python» er en omfattende guide til maskinlæring. Den gir en oversikt over maskinlæringsmodeller og hvordan man kan redusere prediksjonsrisiko og forbedre tolkbarheten ved hjelp av praktiske eksempler og stegvise kodeimplementeringer.
Ved å dekke grunnleggende tolkninger, ulike modelltyper, tolkningsmetoder og justeringsteknikker, gir boken leseren kunnskap og ferdigheter for å tolke og forbedre maskinlæringsmodeller på en effektiv måte. Boken er skrevet av Serg Masís, en klima- og agronomisk dataforsker.
Avsluttende tanker
Denne listen er ikke uttømmende, men den inneholder noen av de beste bøkene for å lære maskinlæring som nyutdannet. Selv om mye av kunstig intelligens er implementert med kode, trenger man ikke alltid å skrive den. Det finnes mange verktøy for kunstig intelligens uten kode som gjør utviklingen enklere.
Du kan også utforske plattformer for maskinlæring med lite kode eller uten kode.