Статья, в которой очень доходчиво расписано, что происходит с методами машинного обучения в 2018 году и что они из себя представляют. Выглядит достаточно актуально и сегодня.
После прочтения должно сложиться понимание, что вообще из себя представляет всё это обучение и каковы его ограничения.
Как же её не хватало в 2016.
Не так часто в столь прохайпанной области натыкаешься на честную аналитику. Эндрю Ын и Тесла потихоньку берут свои слова назад и выясняется, что перемножением матриц не получается вот так запросто добиться замены множества специалистов. С учётом текущего положения дел, наверное, можно сказать, что к счастью.
Технологии, тем не менее, прошли большой путь и глупо считать, что это — не достижения. Основная проблема в том, что эта научная отрасль стала слишком идеологизированной из-за высоких ставок и немалых финансовых интересов.
Пандемия и гонка за увеличением прибыли и без ИИ способствуют росту прекариата — прослойки непостоянно занятых людей. Если с большим фанатизмом выкинуть с рынка огромное число людей — рабочих фабрик, заводов, водителей и врачей-радиологов, то лучше все жить точно не станут. Страшно представить, что начнётся, если профессии начнут вымирать целиком и полностью. Так что положение дел в статье настраивает на некий странный оптимизм.
Очень хорошая книга. Мне так не хватало её несколько лет назад. С другой стороны, тогда не было ни книги, ни алгоритмов, которые в ней описываются.
У Буркова получилось описать машинное обучение без прикрас и маркетинговых преувеличений. Уже во введении он раскрывает все карты насчёт интеллектуальности подобного рода систем и, в дальнейшем, держит марку.
Отдельное достоинство книги заключается в том, что все формулы подробно описываются, стоящая за ними логика понятна и без скрупулёзного их разглядывания, что, наряду с обилием красочных графиков, сильно ускоряет понимание материалов, изложенных в книге.
Никаких прикладных задач с одной этой книгой решить не получится, с другой стороны — она даёт исчерпывающее описание того, какими именно образами можно обработать входящие данные, какие инструменты для этого уже есть и, самое главное, автор срывает покровы с деятельности аналитика — дата-сайентиста.
Чрезвычайно радует, что здесь от читателя не прячутся за горами уравнений, а по-человечески объясняют, чем один алгоритм отличается от другого и по каким запросам можно найти более подробную информацию по интересующей теме.
Едва ли не первое место, где честно пишут, что никаких академических задач аналитикам не приходится, и в большинстве случаев требуется знание исследуемой области, правильно подобранных критериев для сбора информации и хорошо подобранных гиперпараметров. Всё остальное — дело техники, поглубже заглянуть в которую можно будет уже при практической реализации задачи.