MachineLearning QandAI book

機器學習 Q 和 AI 超越基礎知識書籍

Sebastian Raschka 撰寫的機器學習 Q 和 AI 書的補充資料。

如果對本書有任何疑問，請使用討論！

關於本書

如果您已經掌握了機器學習和人工智慧的基礎知識，並且想要一種有趣的方式來解決長期存在的知識差距，那麼這本書適合您。這一系列簡短的章節解決了該領域的 30 個基本問題，幫助您了解可以在自己的工作中實施的最新技術。

機器學習 Q 和 AI的每一章都會提出並回答一個中心問題，並配有圖表來解釋新概念和充足的參考資料以供進一步閱讀

• 多 GPU 訓練範例
• 微調變壓器
• 編碼器型和解碼器型 LLM 之間的差異
• 視覺轉換器背後的概念
• ML 的信心區間
• 還有更多！

本書是《Machine Learning Q and AI》的完整編輯和修訂版，可在 Leanpub 上找到。

評論

「沒有人能找到比塞巴斯蒂安更好的指導了，毫不誇張地說，他​​是目前該領域最好的機器學習教育家。在每一頁上，塞巴斯蒂安不僅傳授他廣泛的知識，而且分享標誌著真正專業知識的熱情和好奇心。
——Chris Albon，維基媒體基金會機器學習總監

連結

• 直接從無澱粉出版社預訂
• 直接從亞馬遜預訂
• 補充資料和討論

目錄

標題	網址連結	補充程式碼
1	嵌入、表示和潛在空間
2	自我監督學習
3	少樣本學習
4	彩票假說
5	減少資料過度擬合
6	透過模型修改減少過度擬合
7	多 GPU 訓練範例
8	變形金剛成功的關鍵
9	生成式人工智慧模型
10	隨機性的來源	數據採樣.ipynb dropout.ipynb 隨機權重.ipynb
	第二部分：電腦視覺
11	計算參數數量	轉換大小.ipynb
12	全連接層和卷積層的等價	FC-CNN-等價.ipynb
13	視覺變壓器大型訓練集
	第三部分：自然語言處理
14	分佈假說
15	文字資料增強	反向翻譯.ipynb 雜訊注入.ipynb 句子順序改組.ipynb 同義詞替換.ipynb 合成數據.ipynb 單字刪除.ipynb 字位交換.ipynb
16	「自我」——注意力
17 號	編碼器和解碼器式變壓器
18	使用和微調預訓練 Transformer
19	評估生成式大語言模型	BERTcore.ipynb 藍色ipynb 困惑.ipynb 胭脂.ipynb
	第四部分：生產與部署
20	無狀態和有狀態訓練
21	以數據為中心的人工智慧
22	加速推理
23	數據分佈變化
	第五部分：預測表現與模型評估
24	泊松和序數回歸
25	信賴區間	四種方法.ipynb 四種方法與真實值.ipynb
26	信賴區間與保形預測	保形_預測.ipynb
27	適當的指標
28	K 折交叉驗證中的 K
29	訓練和測試集不一致
30	有限的標記數據