программирование

Глубокое обучение с fastai и PyTorch, Минимум формул, минимум кода, максимум эффективности, Ховард Д., Гуггер С., 2022.
     
   Обычно на глубокое обучение смотрят с ужасом, считая, что только доктор математических наук или ботан, работающий в крутой айтишной корпорации, могут разобраться в этой теме. Отбросьте стереотипы: любой программист, знакомый с Python, может добиться впечатляющих результатов. Как? С помощью fastai — библиотеки, предоставляющей комфортный интерфейс для решения наиболее популярных задач.
Создатели fastai доказали, что самые модные и актуальные приложения можно делать быстро и не засыпать над скучными теоретическими выкладками и зубодробительными формулами.

Осваиваем архитектуру Transformer, Йылдырым С., Асгари-Ченаглу М., 2022.
     
   Основанные на трансформерах языковые модели - преобладающая тема исследований в области обработки естественного языка (NLP). В этой книге рассказывается, как создавать различные приложения NLP на основе трансформеров, используя библиотеку Python Transformers.
Вы познакомитесь с архитектурой трансформеров и напишете свою первую программу для работы с моделями на основе этой передовой технологии.
Книга адресована специалистам по NLP, преподавателям машинного обучения / NLP и тем, кто хочет освоить машинное обучение в части обработки естественного языка. Предполагается, что читатель владеет навыками программирования на языке Python, знает основы NLP и понимает, как работают глубокие нейронные сети.

Глубокое обучение, Гудфеллоу Я., Бенджио И., Курвилль А., 2018.
     
   Глубокое обучение — это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и др. Рассматриваются такие приложения, как обработка естественных языков, распознавание речи, компьютерное зрение, онлайновые рекомендательные системы, биоинформатика и видеоигры.
Издание предназначено студентам вузов и аспирантам, а также опытным программистам, которые хотели бы применить глубокое обучение в составе своих продуктов или платформ.

Генеративное глубокое обучение, Как не мы рисуем картины, пишем романы и музыку, Фостер Д., 2024.
     
   Генеративное моделирование — одна из самых обсуждаемых тем в области искусственного интеллекта. Машины можно научить рисовать, писать и сочинять музыку. Вы сами можете посадить искусственный интеллект за парту или мольберт, для этого достаточно познакомиться с самыми актуальными примерами генеративных моделей глубокого обучения: вариационными автокодировщиками, генеративно-состязательными сетями, моделями типа кодер-декодер и многим другим.
Дэвид Фостер делает понятными и доступными архитектуру и методы генеративного моделирования, его советы и подсказки сделают ваши модели более творческими и эффективными в обучении. Вы начнете с основ глубокого обучения на базе Keras, а затем перейдете к самым передовым алгоритмам.

Введение в статистическое обучение с примерами на языке Python, Джеймс Г., Уиттен Д., Хасти Т., Тибширани Р., Тейлор Дж., 2024.
     
   В этой книге доступным языком описывается все разнообразие форм статистического обучения. Рассматриваются линейная регрессия, классификация, методы повторной выборки, отбор и регуляризация, полиномиальная регрессия, сплайны, локальная регрессия, обобщенные аддитивные модели, деревья решений, метод опорных векторов, кластеризация, а также нейронные сети, анализ выживаемости и множественная проверка гипотез. Теоретическая часть дополнена примерами из реальной практики и разборами решений на языке Python.
Издание предназначено не только для опытных специалистов в области статистики, но и для тех, кто желает попробовать применить продвинутые техники статистического обучения при анализе своих данных.

The Machine Learning Handbook, A Practical Guide, To Data-Driven Innovation, Vanita B.
     
Фрагмент из книги.
The future of machine learning is marked by exciting advancements and emerging trends that promise to revolutionize the field. Explainable AI (XAI) aims to make models more transparent and interpretable, fostering trust and accountability. Automated Machine Learning (AutoML) democratizes machine learning by automating complex tasks and making it accessible to nonexperts. Federated learning enables collaborative model training while preserving data privacy and security. Quantum machine learning leverages the power of quantum computing to solve complex problems more efficiently. By staying informed about these future trends, you can leverage cutting-edge technologies to drive innovation and create impactful solutions in the evolving landscape of machine learning.

The Little Learner, Чудесное машинное обучение, Фридман Д.П., Мендхекар А., 2024.
     
   В книге охвачены все концепции, необходимые для интуитивного понимания работы глубоких нейронных сетей, включая тензоры, расширенные операторы, алгоритмы градиентного спуска, искусственные нейроны, полносвязные, сверточные сети и остаточные сети, а также автоматическое дифференцирование. Читатель начнет с азов глубокого обучения и познакомится с полной реализацией полезного приложения: распознавателя зашумленных сигналов азбуки Морзе.
Разговорный стиль, постепенное движение от простого к сложному, забавные иллюстрации, формат вопросов и ответов делают обучение доступным и увлекательным.
Для читателей, знающих математику на уровне средней школы и имеющих некоторый опыт программирования.

The Comprehensive Guide to Machine Learning Algorithms and Techniques, Ahmed M.M., 2024.
     
   This Book provides a comprehensive overview of various machine learning algorithms and techniques, categorized by their primary functions, such as regression, classification, clustering, optimization, and NLP. Each algorithm has been explained in terms of its main concept, purpose, use cases, mathematical background, loss function, pros and cons, and visual representation. This knowledge is crucial for selecting the right algorithm for specific problems and understanding the underlying mechanisms that drive their performance.