重磅 | 吴恩达新书《Machine Learning Yearning》1-52 最新章节分享

简介: 重磅 | 吴恩达新书《Machine Learning Yearning》1-52 最新章节分享

说起吴恩达(Andrew Ng),很多人都并不陌生,红色石头也是吴恩达普及人工智能的受惠者。从 Coursera 的《Machine Learning》,再到 deeplearning.ai 深度学习专项课程。吴恩达一直致力于让更多的人了解并投入到人工智能的世界中,成为当之无愧的 AI 大 IP。


今年 4 月开始,吴恩达又一力作《Machine Learning Yearning》横空出世,并开始接受免费草稿副本的预订。这对每个人来说都是很棒的福利!


书籍介绍


关于写这本书的原因,吴恩达这样解释:


AI,机器学习和深度学习正在逐渐改变越来越多的行业。我写这本书《Machine Learning Yearning》的目的就是教会大家如何构建自己的机器学习项目。 这本书的目的不是教你机器学习算法理论,而是教你如何使用这些算法。一些技术AI课程会给你锤子工具,而这本书就是让你学会如何使用这些锤子工具。如果你致力于成为AI技术领导者并渴望为你的团队找到正确的方向。


这本书《Machine Learning Yearning》能够从以下几个方面给你带来收获:


  • 优先考虑AI项目最有前途的方向。
  • 调试机器学习项目中的错误。
  • 在复杂设置中构建ML,例如训练/测试样本不匹配。
  • 构建一个ML项目,接近甚至达到人类水平。
  • 知道什么时候、如何使用端对端学习、迁移学习和多任务学习。


根据历史经验来看,学习如何做出这些“战略”决策的唯一途径是需要在科研或公司研习多年。我写《Machine Learning Yearning》的主要目的就是帮助您快速获得这一技能,使您可以更好地建立人工智能系统。


这本书将在 100 页左右,其中不部分章节都是1~2页,便于阅读。


整本书的章节分布如下:


image.pngimage.png

image.png

获取该书


如何获取这本书《Machine Learning Yearning》呢?


首先登陆该书的官网:


http://www.mlyearning.org/


image.png


然后,输入自己的邮箱,点击“JOIN NOW”。


打开你的邮箱,就能看到吴恩达给你发的确认邮件了。


image.png


这样,你就能定期收到《Machine Learning Yearning》最新的草稿副本咯。


相关文章
|
机器学习/深度学习 传感器 数据采集
阿里云天池大赛赛题解析——机器学习篇-赛题一(1)
阿里云是国内知名的云计算、大数据、人工智能技术型公司,是阿里巴巴集团最重要的技术部门。阿里云天池是阿里云面向开发者和教育行业的资源输出部门,天池大赛是国内最大规模的人工智能算法赛事,致力于汇聚全球AI精英为企业解决真实问题。自2014年至今已举办数十次行业顶级算法赛事,全球参赛开发者超过30万人。然而对于更广大的普通开发者和大学生群体来说,高规格的算法大赛仍然具有很高的门槛。本书就是针对受众最广泛的新手人群而编写的,精选阿里巴巴最典型的人工智能算法应用案例,邀请天池大赛最顶级的获奖选手联合编撰,公开那些鲜为人知的技术秘籍,力图使每一个涉足数据智能算法技术的开发者从中获益......
阿里云天池大赛赛题解析——机器学习篇-赛题一(1)
|
9月前
|
Linux 虚拟化 iOS开发
GNS3 v3.0.5 - 开源免费网络模拟器
GNS3 v3.0.5 - 开源免费网络模拟器
955 3
GNS3 v3.0.5 - 开源免费网络模拟器
|
人工智能 自然语言处理 IDE
💡通义灵码:让每个人都能成为软件开发的「超级个体」
通义灵码是阿里巴巴达摩院推出的大模型技术,支持多种编程语言和框架,具备强大的自然语言理解和生成能力。它能够自动生成代码、自动化测试、文档编写等,显著提升开发效率,降低技术门槛,让每个人都能轻松参与软件开发。通义灵码不仅支持多语言、多编辑器,还具备智能问答、代码优化等功能,为企业和开发者提供全方位的支持。通过通义灵码,开发者可以从繁琐的任务中解放出来,专注于创新和创意,推动软件开发进入新时代。
1174 4
💡通义灵码:让每个人都能成为软件开发的「超级个体」
|
数据可视化 数据库
scRNA分析|使用CellChat完成细胞通讯分析-简单且可视化出众,代码自取
scRNA分析|使用CellChat完成细胞通讯分析-简单且可视化出众,代码自取
3110 1
|
存储 Java 开发者
成功优化!Java 基础 Docker 镜像从 674MB 缩减到 58MB 的经验分享
本文分享了如何通过 jlink 和 jdeps 工具将 Java 基础 Docker 镜像从 674MB 优化至 58MB 的经验。首先介绍了选择合适的基础镜像的重要性,然后详细讲解了使用 jlink 构建自定义 JRE 镜像的方法,并通过 jdeps 自动化模块依赖分析,最终实现了镜像的大幅缩减。此外,文章还提供了实用的 .dockerignore 文件技巧和选择安全、兼容的基础镜像的建议,帮助开发者提升镜像优化的效果。
|
SQL JSON 自然语言处理
数仓建模—建模工具PdMan
工欲善其事,必先利其器,所以开始数仓建模之前我们还是要选择一个合适的建模工具,江湖上混怎么能没有一个响亮的名号和趁手的武器呢,PDMan就是我们要介绍的工具。后面我们还会介绍其他建模工具,你选择一个合适的就行。
2719 0
数仓建模—建模工具PdMan
|
Ubuntu 物联网 Linux
性能工具之emqtt_bench快速上手
【4月更文挑战第8天】MQTT 协议是目前最适合物联网场景数据平台搭建的通信协议。基于此,BenchMark 联网场景中的 MQTT 消息采集与传递,以及如何构建一个百万级,甚至千万级 MQTT 消息平台,可以为物联网业务的企业用户提供平台架构设计参考。
1016 2
性能工具之emqtt_bench快速上手
|
机器学习/深度学习 人工智能 算法
探索机器学习中的模型融合技术
在机器学习领域,模型融合技术已成为提升预测准确性和增强模型泛化能力的关键手段。本文将深入探讨模型融合的理论基础、实现策略以及实际应用案例,旨在为读者提供一套系统的理解和实践指导。通过分析不同类型的融合方法,包括简易模型平均、加权平均、Stacking、Bagging和Boosting等,文章揭示了模型融合如何有效整合多个模型的信息,减少过拟合风险,以及提高对未知数据的适应能力。