Чарльз Э. Элиот сказал: «Книги - самые тихие и самые постоянные друзья; они самые доступные и самые мудрые из консультантов и самые терпеливые из учителей ».
Никакое образование не обходится без книг. Это верно не только для обычных предметов, которые мы изучаем в школах и колледжах, но и в меняющемся мире МООК-образования. И точно так же, как изменилось лицо образования, современные книги также претерпели значительные изменения в своем подходе к предмету. Возможность использования цифрового контента, включая программные коды, наряду с необходимой теорией, делает книги более интерактивными. Итак, в первом #Edtalk_Udacity я буду говорить о книгах, выпущенных в последние годы в области искусственного интеллекта, машинного обучения и глубокого обучения - трех современных- джинны, которые могут делать почти все - при условии, что вы знакомы с волшебными библиотеками (TensorFlow, PyTorch, а также с поддержкой NumPy, pandas и Scikit-Learn).
Я выбрал книги, в которых акцент делается на практическом подходе и которые были выпущены за последние 3-5 лет, и определенно те, которые я прочитал и которые мне понравились. Книги представлены в хронологическом порядке.
Практическое машинное обучение с помощью Scikit-Learn и Tensor Flow: концепции, инструменты и методы для создания интеллектуальных систем, Ауролин Герон. Год выпуска: 2017. O’Reilly
Книга из 568 страниц разделена на две части, первая часть посвящена моделям машинного обучения. В первой части автор рассматривает регрессию, деревья решений, случайный лес и т. Д. Он также говорит об ансамбле и методах повышения. Автор использует Scikit-Learn для построения моделей машинного обучения.
Вторая часть знакомит читателя с TensorFlow, читателя учат создавать нейронные сети, LSTM и CNN с помощью TensorFlow.
Что мне нравится в книге, так это то, что в ней охвачены почти все важные концепции машинного обучения и глубокого обучения. Это также хорошее введение в библиотеку TensorFlow.
Если вы хотите быстро ознакомиться с концепциями, это хорошая книга.
Машинное обучение Python 2-е издание, Себастьян Рашка и Вахид Мирджалили. Год выпуска: 2017; Packt Publishing Ltd
В книге около 622 страниц. (Я слышу, как некоторые из вас говорят Уфф !! Не волнуйтесь, когда начнете, вы не заметите). Основное внимание в книге уделяется алгоритмам машинного обучения. Он широко использует библиотеку Scikit-Learn.
Книга охватывает такие модели, как PCA, LDA, RANSAC, DBSCAN. Первоначально в книге был Theono, но во втором издании были добавлены главы TensorFlow, которые дают хорошее введение в библиотеку TensorFlow и знакомят читателей со сверточными нейронными сетями и рекуррентными нейронными сетями.
Что мне нравится в книге, так это то, что автор не стесняется использовать математику для объяснения понятий, и, возможно, по этой причине многие читатели думают, что она не для новичков.
Глубокое обучение с Keras: реализация моделей глубокого обучения и нейронных сетей с помощью Python Антонио Гуили и Суджит Пал. Год выпуска: 2017; Packt Publishing Ltd.
В этой книге 318 страниц. Как следует из названия, книга посвящена Keras, в ней показано, как использовать всю мощь Keras, библиотеки глубокого обучения с открытым исходным кодом, для создания моделей глубокого обучения.
Да, я знаю, что многие из вас думают, что в Керасе есть чему поучиться, пять команд
`model = Sequential ()`, `model.add ()`, `model.compile ()`, `model.fit ()` и model.predict ()
и все сделано. Да, для начала, но когда вы хотите построить свою новую архитектуру или создать свои собственные функции потерь, также необходимо владение инструментом. Эта книга выполняет эту функцию.
В книге использован очень практичный подход. В то время как первые две книги охватывают только две модели глубокого обучения CNN и RNN, эта книга выходит за рамки и также знакомит с GAN и автоэнкодерами.
Глубокое обучение с помощью Python Франсуа Шоле. Год выпуска 2017; Публикации Мэннинга
В книге 384 страницы. Написанный самим автором Кераса, это настоящая жемчужина. Однако книга больше посвящена глубокому обучению, а не Керасу. Не поймите меня неправильно, он использует Keras для реализации, но автора больше интересует не требующее математики интуитивное понимание проблем и моделей глубокого обучения. И это то, что делает книгу прекрасной.
Мне нравится подробное освещение CNN для компьютерного зрения. В книге также рассматриваются стандартные GAN и автоэнкодеры.
Поваренная книга по глубокому обучению TensorFlow 1.x: более 90 уникальных рецептов решения проблем, связанных с искусственным интеллектом с помощью Python Антонио Гулли и Амиты Капур. Год выпуска: 2017; Packt Publishing Ltd.
Эта книга сильно отличается от остальных. Причина написана в стиле поваренной книги. Это не математика, просто объяснение сети, а затем реализация сетевого кода. Код объяснен по шагам, чтобы было легче следовать. Книга, как следует из названия, использует TensorFlow 1.x для реализации моделей глубокого обучения.
Что делает эту книгу замечательной (помимо того, что я являюсь одним из авторов), так это то, что она охватывает реализацию последних моделей, таких как DQN для обучения с подкреплением, DCGAN, CAPSNet и даже Siamese Network.
Если вы хорошо разбираетесь в основах глубокого обучения и хотите попробовать свои силы в сложных архитектурах глубокого обучения, эта книга для вас.
Интеллектуальные мобильные проекты с TensorFlow Джеффа Танга. Год выпуска: 2018; Packt Publishing Ltd.
Я просмотрел эту книгу: это хорошо написанная книга по созданию мобильных приложений с использованием TensorFlow. Он берет предварительно обученные модели и показывает, как их оптимизировать для мобильных устройств на базе Android и iOS. Это очень практичная книга, и что мне больше всего нравится в книге, так это то, что автор постарался максимально подробно рассказать об ошибках и проблемах, которые могут возникнуть при внедрении мобильного приложения, и предложил возможные решения.
Опять же, эта книга не для новичков, а для опытных практиков в области глубокого обучения с хорошими знаниями в области разработки мобильных приложений.
Практический искусственный интеллект для Интернета вещей: экспертные методы машинного обучения и глубокого обучения для разработки более интеллектуальных систем Интернета вещей Амиты Капур. Год выпуска: 2019; Packt Publishing Ltd.
Эта книга очень дорога моему сердцу не только потому, что я ее написал, но и потому, что она охватывает некоторые очень интересные сети. Вместо того, чтобы сосредотачиваться на библиотеках, книга выбирает библиотеку в зависимости от потребности, поэтому, хотя алгоритмы машинного обучения реализованы в Scikit-Learn, сети глубокого обучения в TensorFlow, генетические алгоритмы созданы с использованием DEAP.
В книге есть хороший баланс математики и интуитивно понятного объяснения, что делает ее идеальной для новичков в искусственном интеллекте. Еще одна хорошая часть книги состоит в том, что она охватывает широкий формат и типы наборов данных, а не только обычные учебники MNIST, Boston. Он использует Spark и H2O для обработки больших данных, а также демонстрирует, как использовать H2O AutoML. В нем подробно рассматривается роль, которую ИИ может играть с данными Интернета вещей, и показаны некоторые очень интересные варианты использования.
Чем больше книг, тем веселее будет ваше учебное путешествие. И если вы, как и я, любите книги, то возьмите членство O’Reilly и Packt, это дешевле. И хотя я согласен, что не все книги стоят потраченного времени, из более чем 300 книг, выпускаемых в месяц этими издателями технических книг, вы всегда можете найти одну или две действительно хорошие.
Мы приветствуем книги. Веселого чтения.
