Maskininlärning har på senare tid blivit ett område med explosionsartad tillväxt. Experter inom branschen förutspår att maskininlärning, och i vidare bemärkelse artificiell intelligens, kommer att revolutionera mänskligheten på samma sätt som internet och processorer tidigare har gjort.
Om du är intresserad av att utforska maskininlärning, har du kommit till rätt ställe. Den här artikeln fungerar som en guide till de mest rekommenderade böckerna om maskininlärning för den akademiskt intresserade.
Vad är maskininlärning?
Maskininlärning innebär utveckling och tillämpning av algoritmer som ger maskiner förmågan att lära sig att utföra uppgifter, istället för att de explicit programmeras för varje enskild uppgift.
Maskininlärning är ett specifikt område inom artificiell intelligens. Artificiell intelligens handlar generellt om att skapa intelligenta beteenden hos datorer. Maskininlärning fokuserar dock enbart på inlärningsdelen av AI.
Hur används maskininlärning?
Datorer har länge överträffat människor när det gäller att utföra beräkningar. En dator kan snabbt och exakt utföra enorma mängder arbete. Datorernas begränsning låg tidigare i att de endast kunde utföra uppgifter som människor förstod tillräckligt väl för att kunna instruera datorn genom kod. Människan utgjorde flaskhalsen för vad datorer kunde åstadkomma.
Med maskininlärning är datorer inte längre bundna av människans begränsningar i hur vi kan uttrycka problem. Detta öppnar upp för uppgifter som tidigare ansågs omöjliga, eller för tidskrävande att specificera, såsom:
- Autonom körning (Tesla Autopilot, Waymo)
- Objektigenkänning i bilder (SAM)
- Generering av konst (DALL-E)
- Textgenerering (ChatGPT)
- Översättning av text (Google Translate)
- Spelande (MindGo)
Varför lära sig AI från böcker?
Böcker erbjuder en fördelaktig inlärningsmetod då de möjliggör en djupare utforskning av ämnet än många andra typer av resurser. Böcker genomgår en omfattande redigeringsprocess där formuleringar och meningar slipas för tydlighet.
Resultatet är en välskriven text som på bästa möjliga sätt förmedlar idéer på ett koncentrerat sätt. Ett av de främsta skälen till att föredra textbaserade resurser är att det är enkelt att återkomma till och referera till specifika koncept. Detta är svårare med videobaserade resurser som kurser och handledningar. Låt oss därför utforska några av de bästa böckerna för att lära sig maskininlärning.
Den hundra sidor långa maskininlärningsboken
”The Hundred-Page Machine Learning Book” är precis vad namnet antyder – en bok som introducerar maskininlärning på 100 sidor. Begränsningen i antal sidor gör att boken ger en överblick av ämnet utan att gå alltför mycket in på detaljer.
Den är utmärkt för nybörjare eftersom den täcker de grundläggande principerna, såsom övervakad och oövervakad inlärning, ensemblemetoder, stödvektormaskiner och gradientnedstigning.
Boken är skriven av Andriy Burkov, en specialist inom naturlig språkbehandling med en doktorsexamen inom artificiell intelligens.
Maskininlärning för absolut nybörjare
Oliver Theobald har skrivit denna bok, vilken är en av de mest tillgängliga och grundläggande introduktionerna till maskininlärning som finns.
Boken ger en introduktion till maskininlärning utan att kräva tidigare erfarenhet av programmering. Istället används förklaringar på vanligt språk och illustrativa diagram för att underlätta förståelsen.
Du får också lära dig att koda, och boken innehåller nedladdningsbara kodövningar samt kompletterande videohandledningar. Boken ensam gör dig dock inte till expert, utan kräver ytterligare studier med andra resurser.
Djupinlärning
Denna bok är förmodligen den mest omfattande som finns om djupinlärning. Den är skriven av ett team av experter, inklusive Ian Goodfellow som utvecklade Generative Adversarial Networks.
Boken förmedlar de matematiska koncept som är nödvändiga för att förstå djupinlärning, inklusive linjär algebra, sannolikhetslära, informationsteori och numerisk beräkning.
Vidare beskrivs de olika nätverkstyper som används inom djupinlärning, exempelvis Deep Feedforward Networks, Convolutional Neural Networks och Optimization Networks. Elon Musk har rekommenderat boken som den enda heltäckande läroboken i ämnet.
En introduktion till statistiskt lärande
“En introduktion till statistiskt lärande” ger en översikt över statistisk inlärning. Statistisk inlärning är ett underområde inom maskininlärning och omfattar metoder som linjär regression, klassificering och stödvektormaskiner.
Boken behandlar alla dessa tekniker. För att befästa inlärningen används exempel från verkliga tillämpningar. Fokus ligger på implementering av koncepten i R, ett populärt programmeringsspråk inom maskininlärning och statistisk beräkning.
Boken är skriven av Trevor Hastie, Robert Tibshirani, Daniela Witten och Gartehm James, samtliga professorer i statistik. Trots den starka anknytningen till statistik, är boken användbar för både statistiker och icke-statistiker.
Programmering av kollektiv intelligens
“Programmering av kollektiv intelligens” är en praktisk bok som lär programutvecklare att bygga applikationer som använder datautvinning och maskininlärning.
Boken går igenom hur rekommendationssystem, klustring, sökmotorer och optimeringsalgoritmer fungerar. Den innehåller korta kodexempel och övningar för att underlätta inlärningen.
Toby Segaran, författare till ”Programming the Semantic Web” och ”Beautiful Data”, har skrivit boken.
Grunderna i maskininlärning för prediktiv dataanalys
Boken introducerar de centrala metoderna för maskininlärning som används för att göra förutsägelser. Innan den går in på det praktiska, ger boken en översikt över de teoretiska begrepp som är bra att känna till.
Boken behandlar användningen av maskininlärning för att göra prisprognoser, riskbedömningar, förutsäga kundbeteende och klassificera dokument.
Den tar upp de fyra metoderna för maskininlärning: informationsbaserad inlärning, felbaserad inlärning, likhetsbaserad inlärning och sannolikhetsbaserad inlärning. John D. Kelleher, Brian Mac Namee och Aoife D’Arcy har skrivit boken.
Förstå maskininlärning: från teori till algoritmer
Denna bok introducerar maskininlärning och de algoritmer som möjliggör den. Den ger en teoretisk genomgång av grunderna i maskininlärning och hur matematiken härleds.
Den visar även hur dessa grundläggande principer sedan omvandlas till algoritmer och kod. Algoritmer som stokastisk gradientnedstigning, neurala nätverk och strukturerad utdatainlärning gås igenom.
Shai Shalev-Shwartz och Shai Ben-David har skrivit boken för universitetsstuderande och avancerade studenter. Boken finns att köpa i fysisk form, eller som en gratis onlineversion för icke-kommersiellt bruk.
Maskininlärning för hackare
”Machine Learning for Hackers” är skriven för erfarna programmerare och ger en mer praktisk introduktion till maskininlärning. Koncepten förklaras genom fallstudier istället för en matematisk ansats.
Boken innehåller kapitel som fokuserar på specifika områden inom maskininlärning, exempelvis klassificering, förutsägelser, optimering och rekommendationer.
Modellerna implementeras i programmeringsspråket R och inkluderar projekt som en skräppostklassificerare, förutsägelse av webbplatsbesök och dechiffrering av enbokstavskoder.
Boken har skrivits av Drew Conway och John Myles White, som också medverkat till ”Machine Learning for Email”.
Praktisk maskininlärning med R
“Hands-On Machine Learning” beskriver hur man implementerar algoritmer som klustring, autokodare, slumpmässiga skogar, djupa neurala nätverk och många andra. Implementeringen görs med hjälp av programmeringsspråket R och olika tillhörande bibliotek.
Boken är inte en R-introduktion i sig. Läsare bör därför redan ha grundläggande kunskaper i språket innan de använder boken. En fysisk version kan köpas, och en onlineversion finns tillgänglig gratis.
Python Machine Learning
Denna bok introducerar maskininlärning och hur man implementerar det i Python. Den startar med att gå igenom de grundläggande biblioteken som används inom maskininlärning, som NumPy för numeriska beräkningar och Pandas för att hantera tabellbaserad data.
Därefter presenteras bibliotek som scikit-learn för att bygga maskininlärningsmodeller. Boken behandlar också visualisering av data med Matplotlib och går igenom algoritmer som regression, klustring och klassificering. Dessutom beskrivs hur man distribuerar modeller.
Sammantaget ger boken en omfattande introduktion till maskininlärning för att du ska kunna implementera dina egna modeller och integrera dem i dina applikationer. Weng Meng Lee, grundare av Developer Learning Solutions, är författare till boken.
Tolkbar maskininlärning med Python
“Tolkbar maskininlärning med Python” är en omfattande guide som ger en översikt över modeller inom maskininlärning och hur man kan minska förutsägelserisker samt öka tolkningsbarheten. Detta görs genom praktiska exempel och steg-för-steg kodimplementering.
Genom att täcka grunderna inom tolkningsbarhet, olika modelltyper, tolkningsmetoder och justeringstekniker, ger boken läsarna kunskap och färdigheter för att effektivt förbättra maskininlärningsmodeller. Boken är skriven av Serg Masís, en klimat- och agronomisk dataforskare.
Slutord
Listan över böcker är inte komplett, men den innehåller några av de bästa böckerna för att lära sig maskininlärning på en akademisk nivå. Även om de flesta AI-lösningar implementeras genom kod, behöver du inte alltid skriva koden själv. Det finns många No Code AI-verktyg som underlättar utvecklingen.
Utforska gärna maskininlärningsplattformar med låg eller ingen kod för vidare inspiration.