Ocena:
Książka jest kompleksowym zbiorem literatury na temat uczenia się przez transfer, napisanym przez wielu ekspertów w tej dziedzinie. Chociaż obejmuje szeroki zakres zastosowań i podstawowych tematów, jej struktura została skrytykowana za brak spójności ze względu na wielu zaangażowanych autorów. Każdy rozdział jest krótki i zawiera wiele odniesień do oryginalnych prac, co może nie być odpowiednie dla inżynierów szukających praktycznych wskazówek.
Zalety:⬤ Aktualne i istotne dla aktualnych trendów w uczeniu maszynowym
⬤ napisane przez ekspertów
⬤ obejmuje szeroki zakres zastosowań i podstawowych tematów.
⬤ Brak spójności ze względu na wielu autorów
⬤ sprawia wrażenie zbioru przeglądów literatury, a nie spójnej narracji
⬤ rozdziały są krótkie z licznymi odniesieniami do oryginalnych prac, co wymaga dodatkowej lektury w celu zrozumienia.
(na podstawie 2 opinii czytelników)
Transfer learning zajmuje się tym, w jaki sposób systemy mogą szybko dostosowywać się do nowych sytuacji, zadań i środowisk. Daje ono systemom uczenia maszynowego możliwość wykorzystania pomocniczych danych i modeli do rozwiązywania docelowych problemów, gdy dostępna jest tylko niewielka ilość danych.
Sprawia to, że takie systemy są bardziej niezawodne i solidne, utrzymując model uczenia maszynowego w obliczu nieprzewidywalnych zmian przed zbyt dużym odchyleniem od oczekiwanej wydajności. Na poziomie przedsiębiorstwa uczenie transferowe pozwala na ponowne wykorzystanie wiedzy, dzięki czemu raz zdobyte doświadczenie może być wielokrotnie wykorzystywane w świecie rzeczywistym. Na przykład, wstępnie wytrenowany model, który uwzględnia prywatność użytkownika, może zostać pobrany i dostosowany na brzegu sieci komputerowej.
Ten samodzielny, kompleksowy tekst referencyjny opisuje standardowe algorytmy i pokazuje, w jaki sposób są one wykorzystywane w różnych paradygmatach uczenia się transferu. Oferuje solidne podstawy dla nowicjuszy, a także nowe spostrzeżenia dla doświadczonych badaczy i programistów.
