Học máy đã trở nên rất phổ biến trong vài năm và tháng qua. Các nhà phân tích trong ngành dự đoán rằng học máy và rộng hơn là trí tuệ nhân tạo sẽ có tác động tương tự đến nhân loại như internet hoặc bộ xử lý.
Nếu bạn muốn học máy học, bạn đã đến đúng nơi. Bài viết này là hướng dẫn về những cuốn sách về máy học tốt nhất dành cho sinh viên sau đại học.
Học máy là gì?
Học máy đề cập đến việc phát triển và sử dụng các thuật toán cho phép máy học cách thực hiện các tác vụ, thay vì lập trình rõ ràng để chúng thực hiện các tác vụ nói trên.
Machine Learning là một lĩnh vực thuộc Trí tuệ nhân tạo. Trí tuệ nhân tạo có mối quan tâm rộng hơn đến việc phát triển hành vi thông minh trên máy tính. Học máy chỉ tập trung vào một phần của AI – học tập.
Học máy được sử dụng như thế nào?
Máy tính luôn vượt trội hơn con người ở một mức độ nào đó. Một máy tính có thể thực hiện chính xác khối lượng công việc lớn trong thời gian ngắn. Tuy nhiên, máy tính bị giới hạn chỉ thực hiện những nhiệm vụ mà con người hiểu đủ rõ để viết mã hướng dẫn máy tính. Nói cách khác, chúng ta đang gặp trở ngại về những gì máy tính có thể làm được.
Nhờ học máy, máy tính không còn bị giới hạn ở những gì con người có thể diễn đạt. Điều này cho phép họ thực hiện những nhiệm vụ mà trước đây chúng tôi cho là không thể hoặc tẻ nhạt khi chúng tôi chỉ cho họ cách thực hiện, chẳng hạn như:
- Lái xe ô tô (Tesla autopilot, Waymo)
- Nhận dạng đối tượng (SAM)
- Tạo đồ họa (DALL-E)
- Tạo văn bản (ChatGPT)
- Dịch văn bản (Google Dịch)
- Chơi trò chơi (MindGo)
Tại sao nên học trí tuệ nhân tạo từ sách
Khi học, sách có ưu điểm là cung cấp kiến thức sâu hơn nhiều so với tất cả các tài nguyên giáo dục khác. Các cuốn sách trải qua một quá trình viết rộng rãi, trong đó chúng được viết và các câu được viết lại cho rõ ràng.
Kết quả là một bài văn xuôi được viết tốt có thể diễn đạt ý tưởng theo cách tốt nhất có thể. Lý do lớn nhất của cá nhân tôi khiến tôi thích tài nguyên văn bản hơn là việc tham khảo và xem lại các khái niệm nhất định dễ dàng như thế nào. Điều này khó khăn hơn với các tài nguyên video như hướng dẫn và khóa học. Vì vậy, chúng ta hãy xem những cuốn sách về máy học tốt nhất.
Cuốn sách 100 trang về học máy
Một cuốn sách 100 trang về học máy chính xác là như vậy – một cuốn sách 100 trang dạy về học máy. Do giới hạn 100 trang nên cuốn sách chỉ đưa ra cái nhìn tổng quan về chủ đề mà không đi sâu quá sâu vào vấn đề cỏ dại.
Nó hoàn hảo cho người mới bắt đầu vì nó bao gồm các nền tảng quan trọng nhất trong lĩnh vực này, chẳng hạn như học tập có giám sát và không giám sát, các phương pháp tập hợp, máy vectơ hỗ trợ và giảm độ dốc.
Cuốn sách được viết bởi Andriy Burkov, một chuyên gia xử lý ngôn ngữ tự nhiên có bằng Tiến sĩ. trong Trí tuệ nhân tạo.
Học máy cho người mới bắt đầu
Được viết bởi Oliver Theobald, đây là một trong những phần giới thiệu dễ dàng và nhẹ nhàng nhất về học máy mà bạn có thể tìm thấy.
Cuốn sách này sẽ giới thiệu cho bạn về học máy, nhưng tác giả giả định rằng bạn chưa có kinh nghiệm lập trình trước đó. Thay vào đó, các giải thích được đưa ra bằng tiếng Anh đơn giản và các hỗ trợ bằng đồ họa được cung cấp để hỗ trợ sự hiểu biết.
Tuy nhiên, bạn vẫn sẽ học cách viết mã và cuốn sách bao gồm một số bài tập viết mã có thể tải xuống miễn phí cũng như các video hướng dẫn bổ sung. Tuy nhiên, chỉ riêng cuốn sách này sẽ không giúp bạn trở thành chuyên gia về học máy. Bạn vẫn sẽ cần phải tìm hiểu thêm bằng cách sử dụng các tài nguyên khác.
Học kĩ càng
Cuốn sách này có lẽ là cuốn sách toàn diện nhất mà bạn tìm thấy về Deep Learning. Nó cũng được viết bởi một nhóm chuyên gia, bao gồm Ian Goodfellow, nhà khoa học đã phát triển Mạng đối thủ sáng tạo.
Nó dạy các khái niệm toán học cần thiết để hiểu về học sâu, bao gồm đại số tuyến tính, lý thuyết xác suất, lý thuyết thông tin và tính toán số.
Cuốn sách thảo luận về các loại mạng khác nhau được sử dụng trong Học sâu, bao gồm Mạng chuyển tiếp sâu, Mạng thần kinh chuyển đổi và Mạng tối ưu hóa. Hơn nữa, nó còn được Elon Musk công nhận là cuốn sách toàn diện duy nhất về chủ đề này.
Nhập môn khoa học thống kê
Giới thiệu về Khoa học Thống kê cung cấp cái nhìn tổng quan về lĩnh vực khoa học thống kê. Học thống kê là một tập hợp con của học máy bao gồm các phương pháp học như hồi quy tuyến tính, phân loại và máy vectơ hỗ trợ, cùng với các phương pháp khác.
Tất cả những kỹ thuật này được mô tả trong cuốn sách. Các ví dụ thực tế được sử dụng xuyên suốt cuốn sách để củng cố các khái niệm được thảo luận. Nó tập trung vào việc triển khai các khái niệm đã học trong R, một ngôn ngữ lập trình máy học phổ biến được sử dụng để tính toán thống kê.
Cuốn sách được viết bởi Trevor Hastie, Robert Tibshirami, Daniela Witten và Gartehm James, tất cả đều là giáo sư thống kê. Mặc dù có nền tảng vững chắc về thống kê, cuốn sách này vẫn phù hợp với cả những người làm thống kê và những người không chuyên về thống kê.
Lập trình trí tuệ tập thể
Lập trình trí tuệ tập thể là một cuốn sách hữu ích hướng dẫn các nhà phát triển phần mềm cách xây dựng các ứng dụng sử dụng khai thác dữ liệu và học máy.
Nó bao gồm, trong số những thứ khác, cách hoạt động của hệ thống đề xuất, nhóm, công cụ tìm kiếm và thuật toán tối ưu hóa. Nó bao gồm các ví dụ và bài tập mã ngắn gọn để giúp bạn thực hành.
Cuốn sách được viết bởi Toby Segaran, đồng thời là tác giả của “Lập trình web ngữ nghĩa” và “Dữ liệu đẹp”.
Nền tảng học máy để phân tích dữ liệu dự đoán
Trong cuốn sách này, bạn sẽ tìm hiểu các phương pháp học máy cơ bản được sử dụng để dự báo. Trước khi đề cập đến cách tiếp cận thực hành về học máy, cuốn sách này cung cấp cái nhìn tổng quan về các khái niệm lý thuyết mà bạn nên biết.
Cuốn sách mô tả cách sử dụng máy học để dự báo giá, đánh giá rủi ro, dự đoán hành vi của khách hàng và phân loại tài liệu.
Nó bao gồm bốn cách tiếp cận học máy: học dựa trên thông tin, học dựa trên lỗi, học dựa trên sự tương đồng và học dựa trên xác suất. Nó được viết bởi John D. Kelleher, Brian Mac Namee và Aoife D’Arcy.
Tìm hiểu về Machine Learning: Từ lý thuyết đến thuật toán
Cuốn sách giới thiệu về học máy và các thuật toán giúp điều đó trở nên khả thi. Cung cấp cái nhìn tổng quan về mặt lý thuyết về nền tảng của học máy và cách toán học bắt nguồn.
Nó cũng cho thấy những nguyên tắc cơ bản này sau đó được chuyển thành thuật toán và mã như thế nào. Các thuật toán này bao gồm giảm độ dốc ngẫu nhiên, mạng lưới thần kinh và học tập có cấu trúc của đầu ra.
Cuốn sách được viết cho sinh viên cao học và sinh viên nâng cao bởi Shai Shalev-Shwartz và Shai Ben-David. Một bản sao vật lý có thể được mua tại Amazonvà phiên bản trực tuyến miễn phí có sẵn tại đây để tải xuống và sử dụng phi thương mại.
Học máy cho tin tặc
Machine Learning for Hackers là một cuốn sách được viết dành cho các lập trình viên có kinh nghiệm. Nó giới thiệu cho bạn về học máy theo cách thực hành và thực hành hơn. Bạn sẽ học các khái niệm từ các nghiên cứu điển hình chứ không phải từ phương pháp toán học được áp dụng trong các cuốn sách khác.
Cuốn sách bao gồm các chương dành riêng cho một lĩnh vực cụ thể của học máy, chẳng hạn như phân loại, dự đoán, tối ưu hóa và đề xuất.
Nó tập trung vào việc triển khai các mô hình bằng ngôn ngữ lập trình R và bao gồm các dự án thú vị như bộ phân loại thư rác, bộ dự đoán lượt xem trang web và bộ giải mã một chữ cái.
Cuốn sách được viết bởi Drew Conway và John Myles White, đồng tác giả của một cuốn sách khác, Machine Learning for Email.
Học máy thực hành với R
Học máy thực hành bao gồm việc triển khai các thuật toán như thuật toán phân cụm, bộ mã hóa tự động, rừng ngẫu nhiên, mạng lưới thần kinh sâu, v.v. Việc triển khai được thực hiện bằng ngôn ngữ lập trình R và các gói khác nhau trong hệ sinh thái của nó.
Bản thân cuốn sách không phải là hướng dẫn về R. Vì vậy, người đọc nên làm quen với ngôn ngữ này trước khi sử dụng cuốn sách. Phiên bản vật lý của cuốn sách có thể được mua tại Amazonvà phiên bản trực tuyến có sẵn miễn phí tại đây.
Học máy bằng Python
Cuốn sách học máy trong Python này giới thiệu về học máy và cách triển khai nó trong Python. Nó bắt đầu với phần tổng quan về các thư viện cơ bản và cơ bản nhất được sử dụng trong học máy, chẳng hạn như NumPy để tính toán số và Pandas để xử lý dữ liệu dạng bảng.
Sau đó, nó giới thiệu các thư viện như scikit-learn, được sử dụng để xây dựng các mô hình học máy. Cuốn sách cũng đề cập đến việc trực quan hóa dữ liệu bằng Matplotlib. Giải thích các thuật toán như hồi quy, phân cụm và phân loại. Nó cũng bao gồm cách triển khai các mô hình.
Nhìn chung, cuốn sách này là phần giới thiệu toàn diện về học máy để bạn có thể bắt đầu triển khai các mô hình của riêng mình và kết hợp chúng vào ứng dụng của mình. Cuốn sách được viết bởi Weng Meng Lee, người sáng lập Giải pháp học tập dành cho nhà phát triển.
Học máy có thể giải thích được với Python
Học máy có thể diễn giải với Python là một hướng dẫn toàn diện về học máy, cung cấp cái nhìn tổng quan về các mô hình học máy cũng như cách giảm rủi ro khi dự đoán và tăng khả năng diễn giải bằng các ví dụ thực hành và triển khai mã từng bước.
Bằng cách đề cập đến các nguyên tắc cơ bản về khả năng diễn giải, các loại mô hình, phương pháp diễn giải và kỹ thuật tinh chỉnh khác nhau, cuốn sách trang bị cho người đọc sự hiểu biết về diễn giải và các kỹ năng để cải thiện hiệu quả các mô hình học máy. Cuốn sách được viết bởi Serg Masís, một nhà khoa học dữ liệu về khí hậu và nông nghiệp.
những từ cuối
Danh sách sách này rõ ràng là chưa đầy đủ, nhưng chúng là một trong những cuốn sách hay nhất để học máy học khi còn là sinh viên tốt nghiệp. Mặc dù hầu hết AI được triển khai thông qua mã nhưng không phải lúc nào bạn cũng phải viết mã. Có rất nhiều công cụ AI No Code giúp việc phát triển dễ dàng hơn.
Sau đó, hãy kiểm tra các nền tảng máy học mã thấp và không mã mà bạn có thể sử dụng.
