Ocena:
Książka ta jest wysoko ceniona za swoją głębię i różnorodność tematów z zakresu sztucznej inteligencji i uczenia maszynowego, co czyni ją cennym źródłem informacji dla osób posiadających solidne podstawy w tym temacie. Jest dobrze napisana, z przystępnymi wyjaśnieniami i ćwiczeniami, które poprawiają zrozumienie. Nie jest jednak odpowiednia dla absolutnie początkujących, ponieważ zakłada wysoki poziom istniejącej wiedzy z zakresu matematyki i koncepcji sztucznej inteligencji.
Zalety:⬤ Dobrze napisana i przystępna
⬤ obejmuje różnorodne tematy
⬤ zawiera ćwiczenia w każdym rozdziale
⬤ rozdziały są krótkie i mogą być czytane niezależnie
⬤ idealna dla osób z solidnymi podstawami AI
⬤ wyjaśnia podstawowe pojęcia.
⬤ Nie nadaje się dla absolutnie początkujących
⬤ zakłada wysoki poziom znajomości matematyki i podstawowych koncepcji sztucznej inteligencji
⬤ może być mylący dla nowicjuszy.
(na podstawie 4 opinii czytelników)
Machine Learning Q and AI: 30 Essential Questions and Answers on Machine Learning and AI
Poznaj odpowiedzi na 30 przełomowych pytań z zakresu uczenia maszynowego i sztucznej inteligencji oraz poszerz swoją wiedzę w tej dziedzinie.
Jeśli masz już opanowane podstawy uczenia maszynowego i sztucznej inteligencji i chcesz w przyjemny sposób uzupełnić braki w wiedzy, ta książka jest dla Ciebie. Ta szybka seria krótkich rozdziałów odpowiada na 30 zasadniczych pytań w tej dziedzinie, pomagając ci być na bieżąco z najnowszymi technologiami, które możesz wdrożyć we własnej pracy.
Każdy rozdział Machine Learning and AI Beyond the Basics zadaje i odpowiada na główne pytanie, z diagramami wyjaśniającymi nowe koncepcje i obszernymi odniesieniami do dalszej lektury. Tych praktycznych, najnowocześniejszych informacji brakuje w większości kursów wprowadzających, ale mają one kluczowe znaczenie dla rzeczywistych zastosowań, badań i rozmów kwalifikacyjnych. Nie będziesz musiał rozwiązywać dowodów ani uruchamiać kodu, więc ta książka jest idealnym towarzyszem podróży. Nauczysz się szerokiego zakresu nowych koncepcji w architekturach głębokich sieci neuronowych, wizji komputerowej, przetwarzaniu języka naturalnego, produkcji i wdrażaniu oraz ocenie modeli, w tym jak
⬤ Zmniejszyć nadmierne dopasowanie przy zmienionych danych lub modyfikacjach modelu.
⬤ radzić sobie z typowymi źródłami losowości podczas trenowania głębokich sieci neuronowych.
⬤ Przyspieszenie wnioskowania o modelu poprzez optymalizację bez zmiany architektury modelu lub poświęcania dokładności.
⬤ Praktyczne zastosowanie hipotezy biletu loteryjnego i hipotezy dystrybucyjnej.
⬤ Używanie i dostrajanie wstępnie wytrenowanych dużych modeli językowych.
⬤ Skonfigurować k-krotną walidację krzyżową w odpowiednim czasie.
Nauczysz się także rozróżniać między samo-uwagą a regularną uwagą; nazywać najpopularniejsze techniki rozszerzania danych dla danych tekstowych; korzystać z różnych technik samonadzorowanego uczenia się, paradygmatów uczenia na wielu procesorach graficznych i rodzajów generatywnej sztucznej inteligencji; i wiele więcej.
Niezależnie od tego, czy jesteś początkującym, czy doświadczonym praktykiem uczenia maszynowego, dodaj nowe techniki do swojego arsenału i bądź na bieżąco z ekscytującymi osiągnięciami w szybko zmieniającej się dziedzinie.
