머신러닝 이해하기: 이론에서 알고리듬까지 [449p 무료 e북]
(cs.huji.ac.il)- Shai Shalev-Shwartz와 Shai Ben-David가 저술한 "Understanding Machine Learning"은 2014년에 Cambridge University Press에서 출판된 책
- 머신러닝의 이론적 배경과 알고리듬을 다루고 있음.
- Cambridge University Press의 허가를 받아 원고의 PDF가 게시되었으며, 개인 용도로만 다운로드 가능함
- 배포용이 아님
Hacker News 의견
-
머신러닝을 이해하고 싶다면 Josh Starmer의 "The StatQuest Illustrated Guide to Machine Learning"을 추천함
- Starmer는 복잡한 아이디어를 명확하고 간결하게 표현하는 뛰어난 교사임
- 이 책은 어린이 책처럼 쉽게 읽고 이해할 수 있는 형식으로 작성됨
- 신경망에 관한 책도 출판했으며, 전문가에게도 유익한 교육 및 소통 방법을 제공함
-
머신러닝의 기초를 이해하고 싶다면 Stanford의 "Probability for computer scientists"를 추천함
- 확률 이론과 머신러닝의 이론적 기초를 다룸
- Andrew Ng의 강의도 유명하지만, 수학적 배경 지식이 필요함
- CS109의 강의 자료를 PDF로 다운로드 가능함
- Caltech의 "Learning from Data"도 이론적 이해에 좋음
- 신경망을 기초부터 이해하고 싶다면 "Neural networks zero to hero"를 추천함
-
Bloomberg의 머신러닝 강의는 개인적으로 가장 좋아하는 강의임
-
현대 생성 AI를 배우고 싶다면 "udlbook"을 추천함
-
소프트웨어 엔지니어가 연구를 하지 않는다면 머신러닝 개념을 깊이 이해할 필요가 있는지 궁금함
- AI/ML을 구현하는 데 필요한 비즈니스의 격차를 느끼고 있음
- 기본적인 비즈니스에 맞는 모델을 직접 개발하는 것보다 기존 모델을 약간 조정하는 것이 더 적합할 수 있음
-
머신러닝 이론 입문서로는 통계적 학습 이론이 가장 접근하기 쉬움
-
ML 모델의 가장 큰 도전은 알고리즘이 아니라 맥락적 지식의 조직화임
- 문서의 계층적 구조화가 결과를 크게 개선함
-
오래전에 읽은 책은 이론적이며, 응용에 거의 초점을 맞추지 않음
- 2014년 출판된 책으로 현재는 시대에 뒤떨어짐
- 수학적 이론은 실제로 유용하지 않으며, 실용적인 접근이 더 중요함
- 머신러닝은 수학이나 이론적 컴퓨터 과학이 아니라 공학의 한 분야임
-
이 책은 2014년에 출판됨, 현재 관련성이 있는지 의문임
-
책이 10년 전 출판된 것으로, 시대에 뒤떨어졌다고 생각함