Uczenie maszynowe człowiek w pętli: Aktywne uczenie się i adnotacje dla sztucznej inteligencji zorientowanej na człowieka

Opinie czytelników

Książka spotkała się zarówno z pochwałami, jak i krytyką. Wielu recenzentów podkreśla jej praktyczność, przydatność i kompleksowość w dziedzinie uczenia maszynowego z adnotacjami człowieka, szczególnie w odniesieniu do aktywnego uczenia się i zarządzania danymi. Z drugiej strony, niektórzy krytykują jej tytuł jako mylący, wysoki koszt i postrzegany brak nowych treści lub spostrzeżeń.

⬤ Wysoce praktyczny zasób skoncentrowany na zastosowaniach, a nie na teorii
⬤ przejrzysty tekst z cennymi spostrzeżeniami
⬤ kompleksowe dyskusje na temat aktywnego uczenia się i metodologii human-in-the-loop
⬤ odpowiedni zarówno dla czytelników technicznych, jak i nietechnicznych
⬤ pomaga usprawnić operacje na danych i procesy etykietowania
⬤ doskonały dla osób zajmujących się przede wszystkim zarządzaniem danymi w uczeniu maszynowym.

⬤ uznawana za drogą w stosunku do oferowanej zawartości
⬤ niektórzy uważają, że tytuł błędnie oddaje sedno książki
⬤ twierdzenia o redundancji z ogólnodostępnymi zasobami online
⬤ zamieszanie dotyczące grupy docelowej
⬤ brak przedstawionych nowych algorytmów.

(na podstawie 10 opinii czytelników)

Oryginalny tytuł:

Human-In-The-Loop Machine Learning: Active Learning and Annotation for Human-Centered AI

Zawartość książki:

Human-in-the-Loop Machine Learning przedstawia metody efektywnej współpracy ludzi i maszyn.

Podsumowanie

Większość systemów uczenia maszynowego, które są obecnie wdrażane na świecie, uczy się na podstawie informacji zwrotnych od ludzi. Jednak większość kursów uczenia maszynowego koncentruje się prawie wyłącznie na algorytmach, a nie na części systemów dotyczącej interakcji człowiek-komputer. Może to pozostawić dużą lukę w wiedzy dla naukowców zajmujących się uczeniem maszynowym w świecie rzeczywistym, gdzie naukowcy spędzają więcej czasu na zarządzaniu danymi niż na tworzeniu algorytmów. Human-in-the-Loop Machine Learning to praktyczny przewodnik po optymalizacji całego procesu uczenia maszynowego, w tym technik adnotacji, aktywnego uczenia się, uczenia transferowego i wykorzystywania uczenia maszynowego do optymalizacji każdego etapu procesu.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

Aplikacje uczenia maszynowego działają lepiej z ludzką informacją zwrotną. Utrzymywanie właściwych ludzi w pętli poprawia dokładność modeli, zmniejsza błędy w danych, obniża koszty i pomaga szybciej wysyłać modele.

O książce

Human-in-the-Loop Machine Learning przedstawia metody efektywnej współpracy ludzi i maszyn. Znajdziesz tu najlepsze praktyki dotyczące wybierania przykładowych danych dla ludzkich opinii, kontroli jakości ludzkich adnotacji i projektowania interfejsów adnotacji. Nauczysz się tworzyć dane treningowe do etykietowania, wykrywania obiektów i segmentacji semantycznej, etykietowania sekwencji i nie tylko. Książka zaczyna się od podstaw i przechodzi do zaawansowanych technik, takich jak uczenie transferowe i samonadzorowanie w ramach przepływów pracy adnotacji.

Co zawiera

Identyfikacja właściwych danych treningowych i ewaluacyjnych.

Znajdowanie i zarządzanie osobami do anotowania danych.

Wybór strategii kontroli jakości adnotacji.

Projektowanie interfejsów w celu poprawy dokładności i wydajności.

O autorze

Robert (Munro) Monarch jest naukowcem i inżynierem zajmującym się danymi, który zbudował dane uczenia maszynowego dla firm takich jak Apple, Amazon, Google i IBM. Posiada tytuł doktora uzyskany w Stanford.

Robert uzyskał tytuł doktora na Stanfordzie, koncentrując się na uczeniu maszynowym Human-in-the-Loop dla opieki zdrowotnej i reagowania na katastrofy, a oprócz tego jest specjalistą w zakresie uczenia maszynowego. Praktycznym przykładem w tym tekście jest klasyfikacja wiadomości związanych z katastrofami z prawdziwych katastrof, na które Robert pomagał reagować w przeszłości.

Spis treści

CZĘŚĆ 1 - PIERWSZE KROKI.

1 Wprowadzenie do uczenia maszynowego typu człowiek w pętli.

2 Pierwsze kroki w uczeniu maszynowym typu człowiek w pętli.

CZĘŚĆ 2 - AKTYWNE UCZENIE SIĘ.

3 Próbkowanie niepewności.

4 Próbkowanie różnorodności.

5 Zaawansowane aktywne uczenie się.

6 Zastosowanie aktywnego uczenia się do różnych zadań uczenia maszynowego.

CZĘŚĆ 3 - ADNOTACJA.

7 Współpraca z osobami dokonującymi adnotacji danych.

8 Kontrola jakości adnotacji danych.

9 Zaawansowana adnotacja i rozszerzanie danych.

10 Jakość adnotacji dla różnych zadań uczenia maszynowego.

CZĘŚĆ 4 - INTERAKCJA CZŁOWIEK-KOMPUTER W UCZENIU MASZYNOWYM.

11 Interfejsy do adnotacji danych.

12 Produkty uczenia maszynowego "człowiek w pętli".