MachineLearning QandAI book

Buch „Machine Learning Q und AI Beyond the Basics“ .

Die ergänzenden Materialien zum Buch „Machine Learning Q and AI“ von Sebastian Raschka.

Bitte nutzen Sie die Diskussionen für Fragen zum Buch!

Über das Buch

Wenn Sie sich mit den Grundlagen des maschinellen Lernens und der KI vertraut gemacht haben und auf unterhaltsame Weise bestehende Wissenslücken schließen möchten, ist dieses Buch genau das Richtige für Sie. Diese schnelle Reihe kurzer Kapitel befasst sich mit 30 wesentlichen Fragen auf diesem Gebiet und hilft Ihnen, über die neuesten Technologien auf dem Laufenden zu bleiben, die Sie in Ihre eigene Arbeit implementieren können.

In jedem Kapitel von „Machine Learning Q and AI“ wird eine zentrale Frage gestellt und beantwortet, mit Diagrammen zur Erläuterung neuer Konzepte und zahlreichen Referenzen zur weiteren Lektüre

• Multi-GPU-Trainingsparadigmen
• Feinabstimmung von Transformatoren
• Unterschiede zwischen LLMs im Encoder- und Decoder-Stil
• Konzepte hinter Vision Transformern
• Konfidenzintervalle für ML
• Und viele mehr!

Dieses Buch ist eine vollständig bearbeitete und überarbeitete Version von Machine Learning Q and AI, die auf Leanpub verfügbar war.

Rezensionen

„Man könnte sich kaum einen besseren Führer wünschen als Sebastian, der ohne Übertreibung derzeit der beste Pädagoge für maschinelles Lernen auf diesem Gebiet ist. Auf jeder Seite vermittelt Sebastian nicht nur sein umfangreiches Wissen, sondern teilt auch die Leidenschaft und Neugier, die wahre Fachkompetenz auszeichnen.“
– Chris Albon, Direktor für maschinelles Lernen, The Wikimedia Foundation

Links

• Direkt bei No Starch Press vorbestellen
• Direkt bei Amazon vorbestellen
• Ergänzende Materialien und Diskussionen

Inhaltsverzeichnis

Titel	URL-Link	Ergänzungscode
1	Einbettungen, Darstellungen und latenter Raum
2	Selbstüberwachtes Lernen
3	Few-Shot-Lernen
4	Die Lottoschein-Hypothese
5	Reduzierung der Überanpassung mit Daten
6	Reduzierung der Überanpassung durch Modelländerungen
7	Multi-GPU-Trainingsparadigmen
8	Der Schlüssel zum Erfolg von Transformers
9	Generative KI-Modelle
10	Quellen der Zufälligkeit	data-sampling.ipynb dropout.ipynb random-weights.ipynb
	TEIL II: COMPUTER-VISION
11	Berechnung der Anzahl der Parameter	conv-size.ipynb
12	Die Äquivalenz von vollständig verbundenen und Faltungsschichten	fc-cnn-equivalence.ipynb
13	Große Trainingssets für Vision Transformer
	TEIL III: NATÜRLICHE SPRACHVERARBEITUNG
14	Die Verteilungshypothese
15	Datenerweiterung für Text	rückübersetzung.ipynb Noise-Injection.ipynb Satzreihenfolge-Shuffling.ipynb synonym-replacement.ipynb synthetische-daten.ipynb Wortlöschung.ipynb Wortpositionsaustausch.ipynb
16	„Selbst“-Aufmerksamkeit
17	Transformatoren im Encoder- und Decoder-Stil
18	Verwendung und Feinabstimmung vorab trainierter Transformatoren
19	Evaluierung generativer großer Sprachmodelle	BERTScore.ipynb bleu.ipynb Ratlosigkeit.ipynb rouge.ipynb
	TEIL IV: PRODUKTION UND BEREITSTELLUNG
20	Staatenloses und zustandsbehaftetes Training
21	Datenzentrierte KI
22	Beschleunigung der Schlussfolgerung
23	Veränderungen bei der Datenverteilung
	TEIL V: PRÄDIKTIVE LEISTUNG UND MODELLBEWERTUNG
24	Poisson und ordinale Regression
25	Konfidenzintervalle	four-methods.ipynb vier-methoden-vs-wahrer-wert.ipynb
26	Konfidenzintervalle im Vergleich zu konformen Vorhersagen	konforme_Vorhersage.ipynb
27	Richtige Kennzahlen
28	Das K in der K-Fold-Kreuzvalidierung
29	Diskrepanz zwischen Trainings- und Testsätzen
30	Begrenzte beschriftete Daten