Książki dotyczące Machine Learning to zbiór propozycji do przeczytania na ten temat. Postęp i rozwój w tej dziedzinie jest na tyle widoczny, wobec czego konieczne może być zapoznanie się z tą tematyką. Sprawdź jakie są pozycje książkowe aby poszerzyć swoją wiedzę z zakresu testowania.
Machine learning, Python i data science. Wprowadzenie – Andreas C. Müller, Sarah Guido
Ta książka ułatwi Ci rozpoczęcie wdrażania rozwiązań rzeczywistych problemów związanych z uczeniem maszynowym. Zawiera przystępne wprowadzenie do uczenia maszynowego i sztucznej inteligencji. Ponadto także sposoby wykorzystania Pythona i biblioteki scikit-learn. Uwzględniające potrzeby badaczy i analityków danych oraz inżynierów pracujących nad aplikacjami komercyjnymi. Zagadnienia matematyczne ograniczono tu do niezbędnego minimum. Zamiast tego skoncentrowano się na praktycznych aspektach algorytmów uczenia maszynowego. Dokładnie opisano, jak konkretnie można skorzystać z szerokiej gamy modeli zaimplementowanych w dostępnych bibliotekach.
Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III – Sebastian Raschka, Vahid Mirjalili
Ta książka to obszerny przewodnik po uczeniu maszynowym i uczeniu głębokim w Pythonie. Zawiera dokładne omówienie najważniejszych technik uczenia maszynowego. Także staranne wyjaśnienie zasad rządzących tą technologią. Poszczególne zagadnienia zilustrowano mnóstwem wyjaśnień, wizualizacji i przykładów. To znakomicie ułatwia zrozumienie materiału i sprawne rozpoczęcie samodzielnego budowania aplikacji i modeli, takich jak te służące do klasyfikacji obrazów, odkrywania ukrytych wzorców czy wydobywania dodatkowych informacji z danych. Wydanie trzecie zostało zaktualizowane – znalazł się w nim opis biblioteki TensorFlow 2 i najnowszych dodatków do biblioteki scikit-learn. Dodano także wprowadzenie do dwóch nowatorskich technik: uczenia przez wzmacnianie i budowy generatywnych sieci przeciwstawnych (GAN).
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II – Aurélien Géron
To drugie wydanie bestsellerowego przewodnika po technikach uczenia maszynowego. Wystarczą minimalne umiejętności programistyczne, aby dzięki tej książce nauczyć się budowania i trenowania głębokiej sieci neuronowej. Zawarto tu minimum teorii, a proces nauki jest ułatwiony przez liczne przykłady i ćwiczenia. Wykorzystano gotowe rozwiązania i przedstawiono zasady pracy ze specjalistycznymi narzędziami. Przedstawiono TensorFlow 2, najnowszą odsłoną modułu. W efekcie niepostrzeżenie przyswoisz niezbędny zasób pojęć i narzędzi służących do tworzenia systemów inteligentnych. Poznasz różnorodne techniki i zaczniesz samodzielnie ich używać.
Uczenie maszynowe w C#. Szybkie, sprytne i solidne aplikacje – Matt R. Cole
Ta książka jest przeznaczona dla doświadczonych programistów C#. Programistów, którzy chcą nauczyć się technik machine learning, deep learning i sztucznej inteligencji. Opisano tu dostępne narzędzia do uczenia maszynowego. Dzięki nim można łatwo budować inteligentne aplikacje .NET wykorzystujące takie rozwiązania jak wykrywanie obrazów lub ruchu, wnioskowanie bayesowskie, głębokie uczenie i głęboka wiara. Omówiono zasady implementacji algorytmów uczenia nadzorowanego i nienadzorowanego oraz ich zastosowanie w budowie modeli predykcji. Przedstawiono różne techniki, od prostej regresji liniowej, przez drzewa decyzyjne i SVM, po zaawansowane rozwiązania, takie jak sztuczne sieci neuronowe, autoenkodery lub uczenie ze wzmocnieniem.
Uczenie maszynowe z językiem JavaScript. Rozwiązywanie złożonych problemów – Burak Kanber
Znasz język JavaScript, ta książka jest dla Ciebie idealnym wyborem. Wyjaśniono w niej, w jaki sposób tworzyć własne implementacje, podano też przykłady przydatnych bibliotek. Sporo miejsca poświęcono sieciom neuronowym, ich architekturze i przykładom zastosowania. Przedstawiono takie zagadnienia jak wykrywanie twarzy, filtrowanie spamu. Ponadto tworzenie systemów rekomendacji, rozpoznawanie znaków oraz przetwarzanie języka naturalnego. Znalazły się tu również wskazówki dotyczące dobierania odpowiednich bibliotek JavaScriptu, takich jak NaturalNode, brain, harthur oraz klasyfikatory, co umożliwia projektowanie bardziej inteligentnych aplikacji.
Głębokie uczenie. Wprowadzenie – Jacek Tabor, Marek Śmieja, Łukasz Struski, Przemysław Spurek, Maciej Wołczyk
Niniejszy podręcznik, powstał jako wprowadzenie do tematu uczenia głębokiego. Ma z założenia uzupełnić tę lukę u osób które nie znają tego tematu. W związku z tym opracowany został w sposób umożliwiający zrozumienie zawartych w nim treści także osobom, które nie zetknęły się dotąd nawet z klasycznymi metodami nauczania maszynowego. Stąd sporo miejsca autorzy poświęcają podstawowym konceptom klastrowania, klasyfikacji oraz regresji. Druga połowa książki przybliża głębokie odpowiedniki modeli klasycznych – z naciskiem na objaśnienie podstawowych pojęć i ich intuicji. Ponieważ dla pełnego zrozumienia modeli niezbędne jest ich zaimplementowanie, integralną część książki stanowi kod, dostępny dla czytelnika na platformie GITHUB.
Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III – Yuxi (Hayden) Liu
To trzecie wydanie popularnego podręcznika, który ułatwi Ci zdobycie praktycznej wiedzy o uczeniu maszynowym w Pythonie. Zapoznasz się z różnymi technikami implementacji algorytmów uczenia maszynowego. Przeanalizujesz rzeczywiste przykłady techniki eksploracyjnej analizy danych, inżynierii cech, klasyfikacji danych, regresji, klastrowania i przetwarzania języka naturalnego. To wydanie uzupełniono o najnowsze zagadnienia ważne dla biznesu. Przykładami mogą być tworzenie systemu rekomendacji, rozpoznawanie twarzy, prognozowanie cen akcji, klasyfikowanie zdjęć, prognozowanie sekwencji danych i zastosowanie uczenia przez wzmacnianie w podejmowaniu decyzji. Dzięki książce poznasz omawiane zagadnienia od strony praktycznej i zdobędziesz wiedzę potrzebną do skutecznego rozwiązywania problemów z systemami uczącymi się.
Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego – Hadelin de Ponteves
To kompletny, zwięzły przewodnik po świecie sztucznej inteligencji. Znalazły się tu przejrzyście wyłożone podstawy i bardziej zaawansowane zagadnienia. Wyjaśniono, jak najlepiej zabrać się do tworzenia systemów AI wykorzystujących uczenie ze wzmacnianiem oraz głębokie uczenie. Krok po kroku pokazano, jak zrealizować pięć praktycznych projektów. To książka skierowana zarówno do studentów, jak i naukowców, menedżerów czy przedsiębiorców. Czytelnicy dowiedzą się z niej, jak zbudować inteligentne oprogramowanie przy użyciu najlepszych i najprostszych narzędzi do programowania AI. Co ważne, aby w pełni z niej skorzystać, nie trzeba posiadać umiejętności programowania.
Podsumowanie
Książki dotyczące Machine Learning t to kolejna część z wpisów o książkach dla testerów. Z racji tego, że testowanie ma coraz więcej gałęzi, warto zapoznać się z literaturą tematyczną. W dziale książki opisujemy wiele książek dla testerów oprogramowania i osób pracujących w IT. Cyklicznie wrzucamy taki wpis w każdy ostatni poniedziałek danego miesiąca.
