Compte public [Machine Learning et création générée par l'IA] Réponse en coulisses : 168 . Vous pouvez participer à la livraison gratuite de l'activité du livre [Hands-On Machine Learning]. La date limite pour l'activité est le 14 septembre 2023 à 22 heures .
Réponse du backend du compte officiel : 168 (il est recommandé de sélectionner et de copier)
Vous pouvez également l'acheter vous-même en cliquant sur le lien exclusif JD.com suivant :
▲
Cliquez sur la couverture pour bénéficier de 50% de réduction sur le livre, limité à 50 personnes
Récemment, l'équipe du professeur Yu Yong de la classe ACM de l'Université Jiao Tong de Shanghai a publié un nouveau livre de poids - "Hands-On Machine Learning" . Il s’agit d’une bénédiction rare pour les techniciens, car cela explique clairement et d’emblée l’apprentissage automatique.
À quel point le cours ACM à l'Université Jiao Tong de Shanghai est-il difficile ? Il suffit de regarder ses anciens élèves distingués.
Dans le domaine de la recherche scientifique, il y a Yang Diyi qui enseigne à Stanford et Chen Tianqi qui enseigne à l'Université Carnegie Mellon. Il est également l'auteur de XGBoost et l'initiateur de TVM. Dans le monde de l'entreprise, il y a Lin Chenxi, co-fondateur de Yitu Technology, et Dai Wenyuan, fondateur de 4Paradigm. Li Mu, l'auteur de MXNet, et son livre « Learning Deep Learning by Hand » sont un classique incontournable pour de nombreux techniciens.
Par conséquent, la classe ACM est connue sous le nom d'« Académie militaire de Whampoa » pour les talents chinois en IA du secteur. Derrière ces grandes réalisations se cache une grande vision. Le professeur Yu Yong, fondateur de la classe ACM, a travaillé dur pour former les lauréats chinois du prix Turing. L'organisation qui décerne le prix Turing est l'ACM (Association for Computing Machinery), ce qui montre à quel point le professeur Yu Yong avait de grandes attentes lorsqu'il a nommé la classe ACM.
Instructeur de classe ACM : Professeur Yu Yong
Le contenu de « Hands-On Machine Learning » provient de la pratique pédagogique de première ligne des cours ACM . Zhang Weinan, l'un des auteurs de ce livre, a systématiquement organisé les connaissances théoriques et les codes de pratique dans une première ébauche basée sur sa propre expérience dans l'enseignement de cours d'apprentissage automatique et les commentaires des étudiants.
Par la suite, sous l'examen minutieux et l'arrangement de la principale équipe créative, ce chef-d'œuvre dans le domaine de l'apprentissage automatique a finalement été livré. Le pack de cours du livre est maintenant disponible en prévente. Scannez le code QR et ajoutez l'assistant WeChat pour acheter le pack de livres au prix réduit de 99 yuans !
02
Que devez-vous apprendre pour comprendre l’apprentissage automatique ?
"Hands-on Machine Learning" est positionné pour guider les débutants dans leurs débuts. En termes de définition du contenu, il commence par l'explication des algorithmes théoriques de base et passe progressivement à la discussion des modèles d'apprentissage supervisé et des modèles d'apprentissage non supervisés, en s'efforçant de permettre aux apprenants de systématiquement maîtriser l'apprentissage automatique.connaissances principales.
L'équipe principale de création de ce livre est composée de trois auteurs. Outre l'instructeur en chef, le professeur Yu Yong , il y a également le professeur agrégé Zhang Weinan , qui a compilé les résultats pédagogiques dans un livre . Il a réalisé de grandes réalisations dans les domaines de l'apprentissage par renforcement. , l'exploration de données et les graphiques de connaissances. L'auteur Zhao Hanye a également mené des recherches approfondies sur l'apprentissage par renforcement et l'apprentissage automatique.
Une équipe technique aussi solide a établi une référence faisant autorité pour ce livre dans l'industrie.
Le contenu des quatre parties principales du livre est expliqué ci-dessous.
Bases de l'apprentissage automatique
Dans la partie de base, il aide principalement les apprenants à comprendre les concepts et principes de base et explique les deux algorithmes les plus fondamentaux : KNN (algorithme K plus proche voisin) et la régression linéaire. Sur la base de ces deux algorithmes, les idées de base et les principes expérimentaux de l'apprentissage automatique sont discutés.
Une fois que vous aurez une solide maîtrise de cette partie du contenu, vous serez en mesure de vous entraîner à résoudre des problèmes dans la plupart des scénarios d’apprentissage automatique.
Modèle paramétrique
Cette partie aborde principalement les modèles paramétriques pour les tâches d'apprentissage supervisé, notamment la régression logistique, les modèles bilinéaires, les réseaux de neurones et les perceptrons multicouches, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, etc.
La caractéristique commune de ces méthodes est principalement de trouver le gradient des paramètres du modèle en fonction de la fonction de perte des données, puis de mettre à jour le modèle.
modèle non paramétrique
Cette partie se concentre sur les modèles non paramétriques d'apprentissage supervisé, notamment les machines à vecteurs de support, les arbres de décision, l'apprentissage d'ensemble et les arbres de décision à renforcement de gradient.
La raison pour laquelle les modèles non paramétriques sont inclus dans une partie distincte est de permettre aux apprenants de mieux comprendre les différences, les avantages et les inconvénients des modèles paramétriques en termes de principes et de codes.
Modèle non supervisé
Cette section traite des méthodes d'apprentissage non supervisées pour le traitement de données non étiquetées, notamment le clustering K-means, l'analyse en composantes principales, les modèles graphiques probabilistes, les algorithmes EM, les auto-encodeurs, etc.
L'apprentissage non supervisé est abordé sous différentes tâches et sous différentes perspectives techniques, afin que les apprenants puissent pleinement comprendre la différence avec l'apprentissage supervisé.
Maintenant que vous savez ce que vous voulez apprendre, parlons de la manière de l’apprendre.
03
Utilisez votre cerveau mais aussi vos mains
Le plus grand point fort de "Hands-On Machine Learning" est qu'il offre un environnement d'expérience insensé pour la pratique pratique.L'équipe créative a affiné les résultats pratiques du cours ACM et combiné la théorie avec le code afin que les apprenants puissent commencer doucement.
Le livre comprend des définitions conceptuelles, des analyses théoriques, des processus algorithmiques et des codes exécutables d'apprentissage automatique. Les apprenants peuvent choisir de manière flexible le contenu qu’ils souhaitent lire en fonction de leurs propres conditions d’apprentissage.
Cependant, après tout, il ne s'agit pas d'une introduction base zéro. Avant de commencer, les apprenants doivent avoir deux capacités de base. L'une concerne les concepts mathématiques et les connaissances en statistiques mathématiques , y compris les opérations matricielles, la distribution de probabilité et les méthodes d'analyse numérique, etc. ; l'autre est Capacité de base en programmation Python . Capable de comprendre le code, de le déboguer et de l'exécuter.
Les riches cas techniques de ce livre couvrent les algorithmes de base, les modèles paramétriques et non paramétriques d'apprentissage supervisé et les modèles non supervisés. Les apprenants peuvent mettre en pratique eux-mêmes les points de connaissances mentionnés dans le livre. L'équipe créative principale a soigneusement sélectionné les exemples de code, en s'efforçant d'être simples dans leur fonctionnement et faciles à modifier.
Tous les exemples de codes sont classés par chapitres et générés au format ipynb. Les apprenants peuvent les télécharger depuis https://github.com/boyu-ai/Hands-on-ML .
Les codes fournis dans le livre sont tous implémentés sur la base de Python 3 et du framework PyTorch, et peuvent être exécutés avec n'importe quel outil en ligne ou local prenant en charge le format ipynb.
Les bibliothèques d'outils Python utilisées dans les exemples sont brièvement décrites. Chaque exemple de code contient des variables qui peuvent être définies par les apprenants. Les apprenants peuvent modifier et exécuter les résultats d'observation en temps réel.
Voici un exemple d’exécution de l’algorithme KNN dans l’environnement Visual Studio Code.
zone de code
Exécuter la sortie
N'est-il pas encore plein d'idées ? Il existe des supports d’apprentissage riches en médias plus surprenants, jetons-y un coup d’œil.
Vidéos pédagogiques en ligne : la principale équipe créative a soigneusement enregistré des cours vidéo. Comment regarder : Lorsque vous voyez l'icône « Scannez le code QR pour regarder le cours vidéo » dans le livre, décrochez votre téléphone et scannez immédiatement le code QR.
Support des didacticiels PPT : il est pratique pour les apprenants de réviser les connaissances principales, et il est également utile pour les enseignants de préparer les leçons.
Exercices après les cours : vérifiez si vous avez bien appris. Ne soyez pas un professeur à moitié vide. Vous devez être capable de répondre à toutes les questions.
Communauté d’apprentissage : Lorsque trois personnes voyagent ensemble, il doit y avoir un enseignant. Le livre offre à chacun un moyen d'apprendre en groupe et de communiquer avec ses pairs à tout moment et en tout lieu.
Le contenu de "Hands-On Machine Learning" a été testé par les classes ACM avant d'être écrit . Les principales explications, descriptions d'algorithmes et cas de code du livre ont tous été éliminés grâce à l'interaction de l'enseignement et de l'apprentissage. On peut dire que ce livre est La cristallisation de la pensée et de la pratique.
Lorsque les résultats de l'enseignement avancé quittent le campus, diffusent et vulgarisent les connaissances en apprentissage automatique dans l'industrie et favorisent le développement de l'industrie, ils attirent également les éloges des grands.
Ce livre commence par les concepts de base de l'apprentissage automatique, les combine avec la bibliothèque d'algorithmes d'apprentissage automatique sklearn et entraîne les lecteurs dans le monde de l'apprentissage automatique avec un grand nombre d'exemples et de codes.
——Zhou Zhihua, directeur du département d'informatique et de technologie, Université de Nanjing
Et doyen de l'École d'intelligence artificielle
Ce livre est dérivé des notes de cours d'apprentissage automatique de la classe ACM de l'Université Jiao Tong de Shanghai. Il vise à aider les lecteurs à intégrer, à comprendre en profondeur les principes de l'apprentissage automatique et à améliorer leurs capacités pratiques. C'est un bon livre rare pour cultiver un nouveau génération de talents pratiques en intelligence artificielle.
——Zhu Jun, professeur Bosch d'intelligence artificielle, département d'informatique et de technologie, Université Tsinghua, membre IEEE
Ce livre est un manuel d'apprentissage automatique complet et systématique, qui présente principalement les concepts de base et les méthodes représentatives de l'apprentissage automatique. Ce livre couvre non seulement les théories classiques de l'apprentissage automatique telles que les réseaux de neurones et l'apprentissage d'ensemble, mais est également équipé de codes qui peuvent être exécutés en ligne pour aider les lecteurs à améliorer leur compréhension de la technologie d'apprentissage automatique grâce à une pratique pratique. Que vous soyez débutant ou professionnel du secteur, vous pouvez obtenir une aide et des conseils précieux grâce à ce livre.
——Li Wenxin, professeur à l'École d'informatique de l'Université de Pékin, célèbre professeur à Pékin et directeur du Centre d'enseignement expérimental informatique de l'Université de Pékin
La forme de ce livre est nouvelle et riche. Les livres papier fournissent une introduction systématique au système de connaissances de l'apprentissage automatique, les cours vidéo d'interprétation théorique fournissent une explication plus approfondie des points de connaissances difficiles, les codes prennent en charge l'exécution et la modification en ligne, les exercices aident les lecteurs à tester et à consolider les effets d'apprentissage, et les didacticiels pédagogiques aident les professeurs d'université. préparer les cours. Ce livre peut non seulement fournir des ressources d'apprentissage systématiques aux professionnels de l'industrie pour apprendre l'apprentissage automatique par eux-mêmes, mais également aider les enseignants et les étudiants des universités à compléter l'enseignement et l'apprentissage de l'apprentissage automatique grâce à un apprentissage pratique.
——Huang Xuanjing, professeur, École d'informatique et de technologie, Institut de linguistique moderne, Université de Fudan
Les mises à niveau intelligentes sont devenues une nouvelle échelle que les entreprises contemporaines doivent gravir après la transformation numérique. À cette fin, un grand nombre de talents en intelligence artificielle possédant des connaissances professionnelles sont nécessaires. Ils doivent non seulement avoir une compréhension approfondie des théories et des algorithmes de l'intelligence artificielle, mais également avoir des capacités pratiques pour relever les défis des scénarios d'application pratiques. Ce livre est écrit pour cultiver ce type de talents pratiques en intelligence artificielle. Il a un contenu détaillé, des exemples riches et un code clair. Il est fortement recommandé à tous les lecteurs qui souhaitent comprendre l'intelligence artificielle en profondeur et effectuer une pratique pratique.
——Liu Tieyan, scientifique en chef distingué de Microsoft, responsable de la région Asie du Microsoft Research Scientific Intelligence Center, vice-président de Microsoft Research Asia
La classe ACM de l'Université Jiao Tong de Shanghai se concentre sur le développement de bases professionnelles solides et de capacités pratiques pratiques des étudiants. Ce livre écrit par l'équipe du professeur Yu Yong incarne le concept unique de la classe ACM de l'Université Jiao Tong de Shanghai consistant à cultiver les talents dans le module de base de l'intelligence artificielle. Il est recommandé à tous les lecteurs.
——Tianqi Chen, professeur adjoint, Département d'apprentissage automatique et Département d'informatique, Université Carnegie Mellon
04
Pour jouer avec le machine learning, il faut faire bon usage de la programmation non explicite
Fondamentalement, l'apprentissage automatique est une discipline qui étudie les algorithmes , et le rôle de ces algorithmes est d'utiliser des données empiriques pour améliorer les indicateurs de performance d'une certaine tâche grâce à une programmation non explicite.
La difficulté ici est donc que même si l’on comprend l’algorithme, on ne peut pas revenir sur les résultats, ce qui est difficile à restituer. La programmation explicite est beaucoup plus intuitive et apporte des réponses directes au problème. Par exemple, si vous souhaitez trier un ensemble de données, implémentez un algorithme de tri rapide.
Pour les apprenants, s'ils veulent bien appliquer l'apprentissage automatique dans leurs propres domaines d'activité, ils doivent changer leur façon de penser, « prendre du recul » et passer de la programmation explicite à l'écriture de programmes d'algorithmes d'apprentissage automatique . C'est ce que signifie la programmation non explicite : dans différentes tâches, un modèle pour résoudre le problème est formé sur la base des données de la tâche elle-même.
1-1 Programmation explicite traditionnelle et programmation non explicite de l'apprentissage automatique
« Hands-On Machine Learning » vise à aider les apprenants à comprendre systématiquement l'apprentissage automatique, à comprendre les principes des algorithmes et à apprendre à utiliser une programmation non explicite pour résoudre leurs propres problèmes. Le livre fournit un exemple de code prêt à l'emploi pour chaque algorithme, afin que les apprenants puissent facilement l'étendre et l'utiliser dans leur travail réel.
▲ Cliquez sur la couverture pour bénéficier de 50 % de réduction sur l'achat du livre
Désormais, analysez les tâches et les données disponibles, utilisez rapidement les méthodes d'apprentissage automatique et devenez un super individu à l'ère intelligente !
-FIN-