MachineLearning QandAI book

Libro de aprendizaje automático Q e IA más allá de lo básico

Los materiales complementarios para el libro Machine Learning Q and AI de Sebastian Raschka.

¡Utilice las Discusiones si tiene alguna pregunta sobre el libro!

Acerca del libro

Si ha dominado los conceptos básicos del aprendizaje automático y la IA y desea una forma divertida de abordar las lagunas de conocimiento persistentes, este libro es para usted. Esta rápida serie de capítulos breves aborda 30 preguntas esenciales en el campo, ayudándole a mantenerse actualizado sobre las últimas tecnologías que puede implementar en su propio trabajo.

Cada capítulo de Machine Learning Q and AI plantea y responde una pregunta central, con diagramas para explicar nuevos conceptos y amplias referencias para lecturas adicionales.

• Paradigmas de entrenamiento multi-GPU
• Transformadores de ajuste
• Diferencias entre LLM de estilo codificador y decodificador
• Conceptos detrás de los transformadores de visión.
• Intervalos de confianza para ML
• ¡Y muchos más!

Este libro es una versión completamente editada y revisada de Machine Learning Q and AI, que estaba disponible en Leanpub.

Reseñas

“Difícilmente se podría pedir un mejor guía que Sebastian, quien es, sin exagerar, el mejor educador en aprendizaje automático actualmente en el campo. En cada página, Sebastian no sólo imparte su amplio conocimiento sino que también comparte la pasión y la curiosidad que caracterizan la verdadera experiencia”.
-- Chris Albon, Director de Aprendizaje Automático, Fundación Wikimedia

Campo de golf

• Reserva directamente desde la prensa No Starch
• Reserva directamente desde Amazon
• Materias y debates complementarios

Tabla de contenido

Título	Enlace URL	Código suplementario
1	Incrustaciones, representaciones y espacio latente
2	Aprendizaje autosupervisado
3	Aprendizaje en pocas oportunidades
4	La hipótesis del billete de lotería
5	Reducir el sobreajuste de datos
6	Reducir el sobreajuste con modificaciones del modelo
7	Paradigmas de entrenamiento multi-GPU
8	Las claves del éxito de los transformadores
9	Modelos de IA generativa
10	Fuentes de aleatoriedad	muestreo-de-datos.ipynb abandono.ipynb pesos-aleatorios.ipynb
	PARTE II: VISIÓN POR COMPUTADORA
11	Calcular el número de parámetros	tamaño-conv.ipynb
12	La equivalencia de capas totalmente conectadas y convolucionales	fc-cnn-equivalencia.ipynb
13	Grandes conjuntos de entrenamiento para transformadores de visión
	PARTE III: PROCESAMIENTO DEL LENGUAJE NATURAL
14	La hipótesis distributiva
15	Aumento de datos para texto	traducción inversa.ipynb inyección-de-ruido.ipynb orden-barajado-de-las-oraciones.ipynb sinónimo-replacement.ipynb datos-sintéticos.ipynb eliminación de palabras.ipynb intercambio-de-posición-de-palabras.ipynb
16	“Auto”-Atención
17	Transformadores estilo codificador y decodificador
18	Uso y ajuste de transformadores previamente entrenados
19	Evaluación de modelos de lenguaje generativo grande	BERTScore.ipynb azul.ipynb perplejidad.ipynb rouge.ipynb
	PARTE IV: PRODUCCIÓN Y DESPLIEGUE
20	Entrenamiento sin estado y con estado
21	IA centrada en datos
22	Acelerar la inferencia
23	Turnos de distribución de datos
	PARTE V: DESEMPEÑO PREDICTIVO Y EVALUACIÓN DEL MODELO
24	Poisson y regresión ordinal
25	Intervalos de confianza	cuatro-métodos.ipynb cuatro-métodos-vs-valor-verdadero.ipynb
26	Intervalos de confianza versus predicciones conformes	predicción_conformal.ipynb
27	Métricas adecuadas
28	La K en la validación cruzada de K-Fold
29	Discordancia del conjunto de entrenamiento y prueba
30	Datos etiquetados limitados