Ocena:
Książka zbiera mieszane opinie użytkowników, którzy podkreślają jej przystępność i wprowadzający charakter, jednocześnie krytykując jej głębię i wady edytorskie. Niektórzy czytelnicy doceniają jej przejrzystość w wyjaśnianiu koncepcji uczenia maszynowego, podczas gdy inni uważają, że brakuje jej szczegółów technicznych i wyczerpujących wyjaśnień.
Zalety:⬤ Świetna robota, dzięki której skomplikowane koncepcje stają się proste i przystępne.
⬤ Zapewnia jasny i zwięzły przegląd uczenia maszynowego dla początkujących.
⬤ Przemawia do szerokiego grona odbiorców, w tym uczniów szkół średnich i studentów.
⬤ Dobra dla tych, którzy chcą szybko zrozumieć uczenie maszynowe i sztuczną inteligencję.
⬤ Szybka dostawa i wysoka jakość.
⬤ Wiele krytycznych uwag dotyczących użycia strony biernej i słabej edycji, w tym literówek.
⬤ Uważana za zbyt podstawową i pozbawioną głębi dla osób poważnie myślących o uczeniu maszynowym.
⬤ Niektóre sekcje są zbędne lub meandrujące.
⬤ Filozoficzne podejście może nie odpowiadać wszystkim czytelnikom, zwłaszcza tym poszukującym praktycznych zastosowań.
⬤ Nieścisłości dotyczące aktualności niektórych informacji.
⬤ Nieodpowiednie dla osób zaawansowanych technicznie.
(na podstawie 78 opinii czytelników)
Machine Learning: The New AI
Zwięzły przegląd uczenia maszynowego - programów komputerowych, które uczą się na podstawie danych - które leżą u podstaw aplikacji obejmujących systemy rekomendacji, rozpoznawanie twarzy i samochody bez kierowcy.
Obecnie uczenie maszynowe stanowi podstawę szeregu aplikacji, z których korzystamy na co dzień, od rekomendacji produktów po rozpoznawanie głosu - a także niektórych, z których jeszcze nie korzystamy na co dzień, w tym samochodów bez kierowcy. Jest to podstawa nowego podejścia w informatyce, w którym nie piszemy programów, ale zbieramy dane.
Pomysł polega na automatycznym uczeniu się algorytmów dla zadań na podstawie danych. W miarę jak urządzenia komputerowe stają się coraz bardziej wszechobecne, większa część naszego życia i pracy jest rejestrowana cyfrowo, a "Big Data" staje się coraz większa, teoria uczenia maszynowego - podstawa wysiłków na rzecz przetwarzania tych danych w wiedzę - również się rozwinęła. W tej książce ekspert w dziedzinie uczenia maszynowego Ethem Alpaydin oferuje zwięzły przegląd tematu dla ogólnego czytelnika, opisując jego ewolucję, wyjaśniając ważne algorytmy uczenia się i przedstawiając przykładowe zastosowania.
Alpaydin oferuje opis tego, jak technologia cyfrowa rozwinęła się od komputerów mainframe do urządzeń mobilnych, umieszczając dzisiejszy boom na uczenie maszynowe w kontekście. Opisuje podstawy uczenia maszynowego i niektóre jego zastosowania.
Wykorzystanie algorytmów uczenia maszynowego do rozpoznawania wzorców.
Sztuczne sieci neuronowe inspirowane ludzkim mózgiem.
Algorytmy, które uczą się powiązań między instancjami, z takimi zastosowaniami jak segmentacja klientów i uczenie się rekomendacji.
Uczenie ze wzmocnieniem, gdy autonomiczny agent uczy się działać tak, aby zmaksymalizować nagrodę i zminimalizować karę. Następnie Alpaydin rozważa niektóre przyszłe kierunki uczenia maszynowego i nowej dziedziny "nauki o danych" oraz omawia etyczne i prawne implikacje dla prywatności i bezpieczeństwa danych.
