Uczenie maszynowe przez całe życie, wydanie drugie

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.

Oryginalny tytuł:

Lifelong Machine Learning, Second Edition

Zawartość książki:

Lifelong Machine Learning, Second Edition to wprowadzenie do zaawansowanego paradygmatu uczenia maszynowego, który nieustannie uczy się poprzez gromadzenie wiedzy z przeszłości, którą następnie wykorzystuje w przyszłym uczeniu się i rozwiązywaniu problemów. W przeciwieństwie do tego, obecnie dominujący paradygmat uczenia maszynowego uczy się w izolacji: biorąc pod uwagę zbiór danych szkoleniowych, uruchamia algorytm uczenia maszynowego na zbiorze danych, aby stworzyć model, który jest następnie wykorzystywany w zamierzonym zastosowaniu.

Nie podejmuje żadnych prób zachowania zdobytej wiedzy i wykorzystania jej w późniejszym uczeniu się. W przeciwieństwie do tego odizolowanego systemu, ludzie uczą się skutecznie na zaledwie kilku przykładach właśnie dlatego, że nasze uczenie się jest bardzo oparte na wiedzy: wiedza zdobyta w przeszłości pomaga nam uczyć się nowych rzeczy przy niewielkiej ilości danych lub wysiłku. Uczenie się przez całe życie ma na celu naśladowanie tej zdolności, ponieważ bez niej system sztucznej inteligencji nie może być uznany za naprawdę inteligentny.

Badania nad uczeniem się przez całe życie znacznie się rozwinęły w stosunkowo krótkim czasie od opublikowania pierwszego wydania tej książki.

Celem tego drugiego wydania jest rozszerzenie definicji uczenia się przez całe życie, zaktualizowanie treści kilku rozdziałów i dodanie nowego rozdziału na temat ciągłego uczenia się w głębokich sieciach neuronowych - który był aktywnie badany w ciągu ostatnich dwóch lub trzech lat. Kilka rozdziałów zostało również zreorganizowanych, aby każdy z nich był bardziej spójny dla czytelnika.

Co więcej, autorzy chcą zaproponować ujednolicone ramy dla tego obszaru badań. Obecnie istnieje kilka tematów badawczych w uczeniu maszynowym, które są ściśle związane z uczeniem się przez całe życie - przede wszystkim uczenie wielozadaniowe, uczenie transferowe i meta-uczenie się - ponieważ wykorzystują one również ideę dzielenia się wiedzą i transferu. Niniejsza książka łączy wszystkie te tematy pod jednym dachem i omawia ich podobieństwa i różnice.

Jej celem jest wprowadzenie tego wyłaniającego się paradygmatu uczenia maszynowego i przedstawienie kompleksowego przeglądu ważnych wyników badań i najnowszych pomysłów w tej dziedzinie. Książka ta jest zatem odpowiednia dla studentów, badaczy i praktyków zainteresowanych uczeniem maszynowym, eksploracją danych, przetwarzaniem języka naturalnego lub rozpoznawaniem wzorców. Wykładowcy mogą z łatwością wykorzystać książkę do prowadzenia kursów w dowolnej z tych powiązanych dziedzin.