MachineLearning QandAI book

机器学习 Q 和 AI 超越基础知识书籍

Sebastian Raschka 撰写的机器学习 Q 和 AI 书的补充材料。

如果对本书有任何疑问，请使用讨论！

关于本书

如果您已经掌握了机器学习和人工智能的基础知识，并且想要一种有趣的方式来解决长期存在的知识差距，那么这本书适合您。这一系列简短的章节解决了该领域的 30 个基本问题，帮助您了解可以在自己的工作中实施的最新技术。

机器学习 Q 和 AI的每一章都会提出并回答一个中心问题，并配有图表来解释新概念和充足的参考资料以供进一步阅读

• 多 GPU 训练范例
• 微调变压器
• 编码器型和解码器型 LLM 之间的差异
• 视觉转换器背后的概念
• ML 的置信区间
• 还有更多！

本书是《Machine Learning Q and AI》的完全编辑和修订版，可在 Leanpub 上找到。

评论

“没有人能找到比塞巴斯蒂安更好的指导了，毫不夸张地说，他是目前该领域最好的机器学习教育家。在每一页上，塞巴斯蒂安不仅传授他广泛的知识，而且分享标志着真正专业知识的热情和好奇心。”
——Chris Albon，维基媒体基金会机器学习总监

链接

• 直接从无淀粉出版社预订
• 直接从亚马逊预订
• 补充材料和讨论

目录

标题	网址链接	补充代码
1	嵌入、表示和潜在空间
2	自我监督学习
3	少样本学习
4	彩票假说
5	减少数据过度拟合
6	通过模型修改减少过度拟合
7	多 GPU 训练范例
8	变形金刚成功的关键
9	生成式人工智能模型
10	随机性的来源	数据采样.ipynb dropout.ipynb 随机权重.ipynb
	第二部分：计算机视觉
11	计算参数数量	转换大小.ipynb
12	全连接层和卷积层的等价	FC-CNN-等价.ipynb
13	视觉变压器大型训练集
	第三部分：自然语言处理
14	分布假说
15	文本数据增强	反向翻译.ipynb 噪声注入.ipynb 句子顺序改组.ipynb 同义词替换.ipynb 合成数据.ipynb 单词删除.ip​​ynb 词位交换.ipynb
16	“自我”——注意力
17 号	编码器和解码器式变压器
18	使用和微调预训练 Transformer
19	评估生成式大语言模型	BERTcore.ipynb 蓝色ipynb 困惑.ipynb 胭脂.ipynb
	第四部分：生产和部署
20	无状态和有状态训练
21	以数据为中心的人工智能
22	加速推理
23	数据分布变化
	第五部分：预测性能和模型评估
24	泊松和序数回归
25	置信区间	四种方法.ipynb 四种方法与真实值.ipynb
26	置信区间与保形预测	保形_预测.ipynb
27	适当的指标
28	K 折交叉验证中的 K
29	训练和测试集不一致
30	有限的标记数据