Ocena:
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.
Zalety:⬤ 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)
Human-In-The-Loop Machine Learning: Active Learning and Annotation for Human-Centered AI
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".
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)