Olvasói vélemények
Összegzés:A könyvet nagyra értékelik a mesterséges intelligencia és a gépi tanulás témáinak mélysége és sokszínűsége miatt, így értékes forrás a témában alapos ismeretekkel rendelkezők számára. Jól megírt, közérthető magyarázatokkal és a megértést elősegítő gyakorlatokkal. Ugyanakkor nem alkalmas abszolút kezdők számára, mivel a matematikai és mesterséges intelligencia fogalmainak magas szintű ismeretét feltételezi.
Előnyök:⬤ Jól megírt és közérthető
⬤ sokféle témát érint
⬤ minden fejezetben tartalmaz feladatokat
⬤ a fejezetek haraphatóak és önállóan is olvashatók
⬤ ideális a mesterséges intelligenciában szilárd alapokkal rendelkezők számára
⬤ tisztázza a mögöttes fogalmakat.
Hátrányok:⬤ Nem alkalmas teljesen kezdők számára
⬤ magas szintű matematikai és alapvető mesterséges intelligencia fogalmak ismeretét feltételezi
⬤ félrevezető lehet a kezdők számára.
(4 olvasói vélemény alapján)
Eredeti címe:
Machine Learning Q and AI: 30 Essential Questions and Answers on Machine Learning and AI
Könyv tartalma:
Ismerje meg a gépi tanulás és a mesterséges intelligencia 30 legfrissebb kérdésére adott válaszokat, és fejlessze a szakértelmét ezen a területen.
Ha már rögzítette a gépi tanulás és a mesterséges intelligencia alapjait, és szórakoztató módon szeretné pótolni a még meglévő tudáshiányt, akkor ez a könyv Önnek szól. Ez a rövid fejezetekből álló gyors sorozat 30 alapvető kérdéssel foglalkozik a területen, és segít naprakésznek maradni a legújabb technológiák terén, amelyeket saját munkájában is alkalmazhat.
A Machine Learning and AI Beyond the Basics minden egyes fejezete egy-egy központi kérdést tesz fel és válaszol meg, az új fogalmakat szemléltető ábrákkal és bőséges hivatkozásokkal a további olvasáshoz. Ezek a gyakorlatias, élvonalbeli információk hiányoznak a legtöbb bevezető kurzusból, de a valós alkalmazásokhoz, a kutatáshoz és a technikai interjúkon való megfeleléshez elengedhetetlenek. Nem kell majd bizonyításokat megoldania vagy kódot futtatnia, így ez a könyv tökéletes útitárs. A mély neurális hálózati architektúrák, a számítógépes látás, a természetes nyelvfeldolgozás, a gyártás és telepítés, valamint a modellértékelés terén új fogalmak széles skáláját tanulhatja meg, többek között azt, hogy hogyan:
⬤ Visszaszorítsa a túlillesztést módosított adatokkal vagy modellmódosításokkal.
⬤ A véletlenszerűség gyakori forrásainak kezelése a mély neurális hálózatok képzése során.
⬤ Gyorsítsa fel a modell következtetését optimalizálással anélkül, hogy megváltoztatná a modell architektúráját vagy feláldozná a pontosságot.
⬤ A lottószelvény-hipotézis és az elosztási hipotézis gyakorlati alkalmazása.
⬤ Előtanított nagyméretű nyelvi modellek használata és finomhangolása.
⬤ Kétszeres kereszthitelesítés beállítása a megfelelő időben.
Megtanulja továbbá megkülönböztetni az önfigyelést és a rendszeres figyelmet; megnevezi a leggyakoribb adatnövelési technikákat szöveges adatokhoz; különböző önfelügyelt tanulási technikákat, több GPU-s képzési paradigmákat és a generatív AI típusait; és még sok minden mást.
Akár kezdő gépi tanuló, akár tapasztalt gyakorló, egészítse ki új technikákkal arzenálját, és tartsa lépést egy gyorsan változó terület izgalmas fejleményeivel.
