《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》是一本由王健宗 / 瞿晓阳著作,机械工业出版社出版的平装图书,本书定价:99.00元,页数:2019-8-20,特精心从网络上整理的一些读者的读后感,希望对大家能有帮助。
《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》读后感(一):Auto-learning读后感
Auto-learning成为下一个智能算法的发展方向之一,这本书紧跟算法发展的趋势,及时的将自动学习的知识总结,梳理,方便了读者的学习。开篇从人工智能引述,接着将auto-learnin分成了两段来介绍。分别是automl(auto-learning在机器学习)和autodl(auto-learning在深度学习)。书中关键地方都给了公式说明和配图介绍,按照技术书籍的惯例,每一章的末尾也列出了参考的文献,非常的方便食用!能及时的有中文的新技术讲解书籍,太nice了!
《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》读后感(二):系统的综述了三个ML前沿方向
在传统的机器学习模型中,调参是非常费时又费力又非常关键的一项工作。对于模型参数的配置基本上没有一种有效的策略。为解决此类问题,AutoML学习范式近年来被提出,深受机器学习领域的关注。在TOP Conference中,是一个非常前沿的Topic。 由华章出版的《深入理解AutoML和AutoDL》,围绕着AutoML、AutoDL 和meta learning 三个前沿的ML方向,由浅入深,系统而专业的review了各主流方法,知识点描述细致。该书对AutoML和AutoDL所涉及的基础知识,概括到位,内容夯实,适合作为ML方向的研究生的入门资料。
《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》读后感(三):机器学习和深度学习的利器
近期华为招聘了8名“天才少年”博士生,给出了高价年薪(范围在89万-201万),羡煞大部分人,据悉这些天才多为人工智能领域。自动化机器学习(Automated Machine Learning, AutoML)是众多数据科学中的一种工具,也是机器学习领域的热点和趋势,AutoML是Google研发,是该领域主要的技术和工具,目前图书市场空白。《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》很白地填补这个空白,值得这个领域的大部分仔细研读。本书的内容详细且丰富,介绍了人工智能和AutoML的概况和未来发展前景,也介绍了自动化机器学习和自动化深度学习的基础和各种算法,最后也详细地介绍了强化算法和进化算法的详细内容和方法。
《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》读后感(四):知识点详实缜密,适合高手读者打怪进阶
长久以来人工智能模型和算法最不智能的方面就是模型选型、结构、(超)参数等选择方面一点都不智能,甚至有的连自动化都没做到。为了实现机器学习模型的设计自动化,自动化机器学习(AutoML)方法应运而生,它是众多数据科学中的一种工具,可以解决数据科学任务中的某些任务。《深入理解AutoML和AutoDL》这本书同时介绍了面向机器学习的AutoML和面向深度学习的AutoDL的框架、方法和实践,全书共14章,由浅入深的将知识点和应用场景陆续铺开,比较全面的覆盖了这类技术的主要方面。难易程度方面总体对前序知识要求较高,细节描述的比较全面,适合对ML和DL技术有一定经验的人群。本人运气不好,在读期间没有赶上AutoML的出现,现在有幸能通过华章的鲜读活动阅读这本书的抢先版来跟上新技术的步伐,感谢作者王健宗和华章出版社,等正式出版后一定再仔细拜读一下温故而知新!
《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》读后感(五):深入理解AutoML和AutoDL
2019年3月,ACM官宣Yoshua Bengio、Geoffrey Hinton、Yann Lecun深度学习三巨头获得了图灵奖,表彰他们以概念和工程的突破,让深度神经网络成为计算关键部件。再次引爆了深度学习领域的学习热潮。 然而,现在深度学习在调参上面临着很大的困境,甚至于深度学习的深入研究者也觉得头疼。怎样自动化调参的过程从而让更多非专业人士能够享受机器学习和深度学习带来的生产力的提高,如何学习学习,成为了现在人工智能研究的前沿性问题,而这就是AutoML和AutoDL要达成的目标。在我接触到元学习之后,就对这方面的研究保持了浓厚的兴趣,遗憾的是当时国内并没有一本讲解AutoML发展和技术的专著。可喜的是,机械工业出版社即将出版的《深入理解AutoML和AutoDL:构建自动化机器学习与深度学习平台》就是这样一本建立了完整的AutoML知识体系的启发性的书籍。我有幸通过华章分社的鲜读社区预读了本书,我重点关注了NAS(神经网络架构搜索)、基于RL的AutoDL和元学习。元学习的思想是学习“学习训练”的过程,旨在设计能够通过训练一些实例来快速学习新技能或适应新环境的模型。可以说,元学习的终极目标就是创造出一个具有学习能力的婴儿,剩下的事,交给他/她就好。 本书提供了大量的AutoML和AutoDL的启发性思路和理解角度,使我受益匪浅,确实是一本AutoML入门的好书。