MachineLearning QandAI book

Livro Q e IA de aprendizado de máquina além do básico

Os materiais suplementares para o livro Q and AI de aprendizado de máquina, de Sebastian Raschka.

Por favor, use as Discussões para qualquer dúvida sobre o livro!

Sobre o livro

Se você já conhece os fundamentos do aprendizado de máquina e da IA ​​e deseja uma maneira divertida de resolver lacunas de conhecimento persistentes, este livro é para você. Esta rápida série de capítulos curtos aborda 30 questões essenciais na área, ajudando você a se manter atualizado sobre as tecnologias mais recentes que você pode implementar em seu próprio trabalho.

Cada capítulo de Machine Learning Q and AI pergunta e responde a uma pergunta central, com diagramas para explicar novos conceitos e amplas referências para leitura adicional

• Paradigmas de treinamento multi-GPU
• Transformadores de ajuste fino
• Diferenças entre LLMs estilo codificador e decodificador
• Conceitos por trás dos transformadores de visão
• Intervalos de confiança para ML
• E muito mais!

Este livro é uma versão totalmente editada e revisada de Machine Learning Q and AI, que estava disponível no Leanpub.

Avaliações

“Dificilmente se poderia pedir um guia melhor do que Sebastian, que é, sem exagero, o melhor educador de aprendizado de máquina atualmente na área. Em cada página, Sebastian não apenas transmite seu amplo conhecimento, mas também compartilha a paixão e a curiosidade que marcam a verdadeira experiência.”
-- Chris Albon, Diretor de Aprendizado de Máquina, Fundação Wikimedia

Ligações

• Encomende diretamente da No Starch Press
• Encomende diretamente da Amazon
• Matérias e Discussões Suplementares

Índice

Título	Links URL	Código Suplementar
1	Incorporações, Representações e Espaço Latente
2	Aprendizagem Auto-Supervisionada
3	Aprendizagem rápida
4	A hipótese do bilhete de loteria
5	Reduzindo o overfitting com dados
6	Reduzindo o overfitting com modificações no modelo
7	Paradigmas de treinamento multi-GPU
8	As chaves para o sucesso dos transformadores
9	Modelos generativos de IA
10	Fontes de aleatoriedade	amostragem de dados.ipynb dropout.ipynb pesos aleatórios.ipynb
	PARTE II: VISÃO COMPUTADORIZADA
11	Calculando o número de parâmetros	tamanho da conversão.ipynb
12	A equivalência de camadas totalmente conectadas e convolucionais	fc-cnn-equivalência.ipynb
13	Grandes conjuntos de treinamento para transformadores de visão
	PARTE III: PROCESSAMENTO DE LINGUAGEM NATURAL
14	A hipótese distributiva
15	Aumento de dados para texto	tradução reversa.ipynb injeção de ruído.ipynb embaralhamento de ordem de frase.ipynb substituição de sinônimo.ipynb dados sintéticos.ipynb exclusão de palavra.ipynb troca de posição de palavra.ipynb
16	“Auto”-Atenção
17	Transformadores estilo codificador e decodificador
18	Usando e ajustando transformadores pré-treinados
19	Avaliando modelos generativos de grandes linguagens	BERTScore.ipynb azul.ipynb perplexidade.ipynb rouge.ipynb
	PARTE IV: PRODUÇÃO E IMPLANTAÇÃO
20	Treinamento sem Estado e com Estado
21	IA centrada em dados
22	Acelerando a inferência
23	Mudanças na distribuição de dados
	PARTE V: DESEMPENHO PREDITIVO E AVALIAÇÃO DO MODELO
24	Poisson e regressão ordinal
25	Intervalos de confiança	quatro métodos.ipynb quatro métodos versus valor verdadeiro.ipynb
26	Intervalos de confiança versus previsões conformes	conformal_prediction.ipynb
27	Métricas Adequadas
28	O K na validação cruzada K-Fold
29	Discordância do conjunto de treinamento e teste
30	Dados rotulados limitados