2023-06-24 08:34:37 來源：機器之心
(資料圖片)
與以往不同，《Machine Learning Q and AI》這本書更側(cè)重于解釋概念，而不是動手編碼。
近年來，隨著機器學習和人工智能的快速發(fā)展，研究人員和從業(yè)者一直在努力跟上關于 AI 領域的概念和技術相關信息。與此同時，了解人工智能和深度學習的最新進展對于使用這些技術的專業(yè)人士和組織來說至關重要。 考慮到這一點，機器學習和 AI 研究員 Sebastian Raschka 最近出了一本新書，書籍名為《Machine Learning Q and AI》。Sebastian 表示這本書是從去年夏天開始撰寫的，閱讀該書，可以擴展你的機器學習知識，即便你是經(jīng)驗豐富的機器學習研究人員和從業(yè)者也會學到一些新的東西。 這本書涵蓋了機器學習和 AI 中的 30 個關鍵概念，涉及的主題包括： 此外，該書適用于已經(jīng)熟練掌握機器學習并渴望學習新知識的人，換句話說，這本書是為那些有初級或中級機器學習背景的人準備的。值得注意的是，這本書沒有晦澀的數(shù)學公式和代碼，當你閱讀時也無需解決任何證明，非常輕松的就能學到知識。 書籍地址：/machine-learning-q-and-ai/ 不過需要注意的是，本書不是完全免費的，只有部分章節(jié)免費獲得。 第一章涵蓋深度神經(jīng)網(wǎng)絡和深度學習相關問題，這些問題并不限定于特定的子領域。例如，本章討論了監(jiān)督學習的替代方案和減少過度擬合的技術。 第二章主要介紹計算機視覺。涵蓋參數(shù)數(shù)量、全連接和卷積層、以及用于視覺 Transformers 的大型訓練集。 第三章涵蓋與文本有關的各種主題，包括用于文本的數(shù)據(jù)增強、自注意力、編碼器和解碼器風格 Transformers、微調(diào)預訓練 Transformers、如何評估生成語言模型。 第四章介紹關于 AI 的生產(chǎn)、實際和部署場景，內(nèi)容涵蓋無狀態(tài)和有狀態(tài)訓練、以數(shù)據(jù)為中心的 AI、加速推理等。 第五章主要介紹預測性能和模型評估，例如，更改損失函數(shù)、設置 k-fold 交叉驗證以及處理有限的標記數(shù)據(jù)。 Sebastian Raschka 是一名機器學習和人工智能研究員，對教育有著強烈的熱情。作為 Lightning AI 的首席 AI 教育家，他讓關于 AI 和深度學習相關的內(nèi)容更加容易獲得，并教人們?nèi)绾未笠?guī)模利用這些技術。 在全身心投入 Lightning AI 之前，Sebastian 曾在威斯康星大學麥迪遜分校擔任統(tǒng)計學助理教授，專門研究深度學習和機器學習，你可以在他的網(wǎng)站上找到更多關于他的研究。此外，Sebastian 熱衷于開源軟件，十多年來一直是一個充滿熱情的開源貢獻者。他提出的方法現(xiàn)已成功應用于 Kaggle 等機器學習競賽。在空閑時間，Sebastian 還會研究運動型預測模型。 除了編寫代碼，Sebastian 還喜歡寫作，并撰寫了暢銷書《Python Machine Learning》（《Python 機器學習》）和《Machine Learning with PyTorch and ScikitLearn》。 除此以外，Sebastian 還喜歡研究數(shù)據(jù)科學、機器學習和 Python，他也非常愿意幫助人們開發(fā)數(shù)據(jù)驅(qū)動的解決方案，而無需任何機器學習背景。 ?THE END
轉(zhuǎn)載請聯(lián)系本公眾號獲得授權
投稿或?qū)で髨蟮溃篶ontent@
關鍵詞：
營業(yè)執(zhí)照公示信息