Machine Learning verstehen: Von der Theorie bis zu den Algorithmen [449 S. kostenloses E-Book]

• "Understanding Machine Learning" von Shai Shalev-Shwartz und Shai Ben-David ist ein Buch, das 2014 bei Cambridge University Press erschienen ist
• Es behandelt die theoretischen Grundlagen und Algorithmen des Machine Learning.
• Mit Genehmigung der Cambridge University Press wurde das PDF des Manuskripts veröffentlicht und kann nur für den persönlichen Gebrauch heruntergeladen werden
• Nicht zur Weiterverbreitung bestimmt

[GN⁺]

Hacker-News-Kommentare

• Wenn man Machine Learning verstehen möchte, wird Josh Starmers "The StatQuest Illustrated Guide to Machine Learning" empfohlen

  • Starmer ist ein hervorragender Lehrer, der komplexe Ideen klar und prägnant erklärt
  • Das Buch ist in einem Format geschrieben, das sich so leicht lesen und verstehen lässt wie ein Kinderbuch
  • Er hat auch ein Buch über neuronale Netze veröffentlicht und bietet selbst für Fachleute nützliche Methoden zur Wissensvermittlung und Kommunikation

• Wenn man die Grundlagen des Machine Learning verstehen möchte, wird Stanfords "Probability for computer scientists" empfohlen

  • Es behandelt Wahrscheinlichkeitstheorie und die theoretischen Grundlagen des Machine Learning
  • Andrew Ngs Vorlesungen sind ebenfalls berühmt, erfordern aber mathematische Vorkenntnisse
  • Die Vorlesungsunterlagen von CS109 können als PDF heruntergeladen werden
  • Caltechs "Learning from Data" ist ebenfalls gut für das theoretische Verständnis
  • Wenn man neuronale Netze von Grund auf verstehen möchte, wird "Neural networks zero to hero" empfohlen

• Bloombergs Machine-Learning-Kurs ist persönlich mein Lieblingskurs

• Wenn man moderne generative KI lernen möchte, wird "udlbook" empfohlen

• Es stellt sich die Frage, ob Softwareingenieure, die keine Forschung betreiben, Machine-Learning-Konzepte wirklich tiefgehend verstehen müssen

  • Es besteht das Gefühl einer Lücke zwischen den geschäftlichen Anforderungen und dem, was zur Implementierung von AI/ML nötig ist
  • Für grundlegende Business-Anforderungen könnte es geeigneter sein, bestehende Modelle leicht anzupassen, statt selbst Modelle zu entwickeln

• Als Einführung in die Machine-Learning-Theorie ist die Theorie des statistischen Lernens am zugänglichsten

• Die größte Herausforderung bei ML-Modellen ist nicht der Algorithmus, sondern die Organisation von Kontextwissen

  • Eine hierarchische Strukturierung von Dokumenten verbessert die Ergebnisse erheblich

• Das Buch, das vor langer Zeit gelesen wurde, ist theoretisch und fokussiert sich kaum auf Anwendungen

  • Es wurde 2014 veröffentlicht und ist heute veraltet
  • Die mathematische Theorie ist in der Praxis nicht wirklich nützlich, ein praktischer Ansatz ist wichtiger
  • Machine Learning ist kein Teilgebiet der Mathematik oder der theoretischen Informatik, sondern ein Bereich des Engineerings

• Dieses Buch wurde 2014 veröffentlicht; es ist fraglich, ob es heute noch relevant ist

• Da das Buch vor 10 Jahren erschienen ist, wirkt es veraltet