Makine Öğrenimini Anlamak: Teoriden Algoritmalara [449 sayfa ücretsiz e-kitap]

• Shai Shalev-Shwartz ve Shai Ben-David tarafından yazılan "Understanding Machine Learning", 2014 yılında Cambridge University Press tarafından yayımlanan bir kitap
• Makine öğreniminin teorik arka planını ve algoritmalarını ele alıyor
• Cambridge University Press'in izniyle kitap metninin PDF'i yayımlandı ve yalnızca kişisel kullanım için indirilebiliyor
• Dağıtım amaçlı değildir

[GN⁺]

Hacker News görüşleri

• Makine öğrenmesini anlamak istiyorsanız Josh Starmer'ın "The StatQuest Illustrated Guide to Machine Learning" kitabını tavsiye ederim

  • Starmer, karmaşık fikirleri açık ve özlü biçimde ifade eden mükemmel bir öğretmendir
  • Bu kitap, çocuk kitabı kadar kolay okunup anlaşılabilecek bir formatta yazılmıştır
  • Sinir ağları hakkında da bir kitap yayımladı ve uzmanlar için de faydalı eğitim ve iletişim yöntemleri sunuyor

• Makine öğrenmesinin temellerini anlamak istiyorsanız Stanford'un "Probability for computer scientists" kitabını tavsiye ederim

  • Olasılık teorisini ve makine öğrenmesinin kuramsal temellerini ele alır
  • Andrew Ng'nin dersleri de ünlüdür, ancak matematiksel arka plan bilgisi gerektirir
  • CS109 ders materyalleri PDF olarak indirilebilir
  • Caltech'in "Learning from Data" dersi de kuramsal anlayış için iyidir
  • Sinir ağlarını temelden anlamak istiyorsanız "Neural networks zero to hero"yu tavsiye ederim

• Bloomberg'in makine öğrenmesi dersi kişisel olarak en sevdiğim derstir

• Modern üretken yapay zekayı öğrenmek istiyorsanız "udlbook"u tavsiye ederim

• Araştırma yapmayan bir yazılım mühendisinin makine öğrenmesi kavramlarını derinlemesine anlamasına gerçekten gerek olup olmadığını merak ediyorum

  • AI/ML'i hayata geçirmek için iş dünyasında gereken boşluğu hissediyorum
  • Temel iş ihtiyaçlarına uygun modelleri sıfırdan geliştirmek yerine mevcut modelleri biraz ayarlamak daha uygun olabilir

• Makine öğrenmesi teorisine giriş için en erişilebilir kaynak istatistiksel öğrenme teorisidir

• ML modellerindeki en büyük zorluk algoritmalar değil, bağlamsal bilginin organize edilmesidir

  • Belgelerin hiyerarşik olarak yapılandırılması sonuçları büyük ölçüde iyileştirir

• Uzun zaman önce okuduğum bu kitap kuramsaldı ve uygulamaya neredeyse hiç odaklanmıyordu

  • 2014'te yayımlandı ve bugün artık demode kalmış durumda
  • Matematiksel teori pratikte pek faydalı değil; daha çok pratik yaklaşımlar önemli
  • Makine öğrenmesi, matematik ya da kuramsal bilgisayar bilimi değil, bir mühendislik alanıdır

• Bu kitap 2014'te yayımlandı; bugün hâlâ ne kadar ilgili olduğu şüpheli

• Kitabın 10 yıl önce yayımlanmış olması nedeniyle artık güncelliğini yitirdiğini düşünüyorum