6 Bedste Machine Learning & AI-bøger gennem tiderne (maj 2024)

AI-verdenen kan være skræmmende på grund af den terminologi og forskellige maskinlæringsalgoritmer, der er tilgængelige. Efter at have læst over 50 af de mest anbefalede bøger om maskinlæring, har jeg samlet min personlige liste over bøger, der skal læses.

Bøgerne, der blev udvalgt, er baseret på de typer ideer, der introduceres, og hvor godt forskellige begreber som deep learning, forstærkende læring og genetiske algoritmer præsenteres. Vigtigst af alt er listen baseret på de bøger, der bedst baner vejen frem for fremtidsforskere til at bygge beviseligt ansvarlig og forklarlig AI.

# 6. Sådan fungerer AI: Fra trolddom til videnskab af Ronald T. Kneusel

"How AI Works" er en kortfattet og klar bog designet til at afgrænse de grundlæggende principper for maskinlæring. Denne bog gør det lettere at lære om maskinlærings rige historie, fra starten af ​​ældre AI-systemer til fremkomsten af ​​moderne metoder.

Historien er lagdelt, startende med de velfunderede AI-systemer såsom støttevektormaskiner, beslutningstræer og tilfældige skove. Disse tidligere systemer banede vejen for banebrydende fremskridt, hvilket førte til udviklingen af ​​mere sofistikerede tilgange som neurale netværk og konvolutionelle neurale netværk. Bogen diskuterer de utrolige muligheder, som Large Language Models (LLM'er) tilbyder, som er kraftcenteret bag nutidens avancerede Generative AI.

At forstå det grundlæggende, såsom hvordan støj-til-billede-teknologi kan replikere eksisterende billeder og endda skabe nye, hidtil usete billeder fra tilsyneladende tilfældige prompter, er afgørende for at forstå de kræfter, der driver nutidens billedgeneratorer. Denne bog forklarer på smukt vis disse grundlæggende aspekter, og giver læserne mulighed for at forstå de forviklinger og den underliggende mekanik i billedgenereringsteknologier.

Ron Kneusel, forfatteren, demonstrerer en prisværdig indsats med at belyse hans perspektiver på, hvorfor OpenAIs ChatGPT og dets LLM-model betegner begyndelsen på ægte AI. Han præsenterer omhyggeligt, hvordan distinkte LLM'er udviser emergent egenskaber, der er i stand til intuitivt at forstå teorien om sindet. Disse nye egenskaber ser ud til at blive mere udtalte og indflydelsesrige baseret på størrelsen af ​​træningsmodellen. Kneusel diskuterer, hvordan en større mængde parametre typisk resulterer i de mest dygtige og succesrige LLM-modeller, hvilket giver dybere indsigt i skaleringsdynamikken og effektiviteten af ​​disse modeller.

Denne bog er et fyrtårn for dem, der ønsker at lære mere om AI-verdenen, og tilbyder et detaljeret, men forståeligt overblik over maskinlæringsteknologiernes evolutionære bane, fra deres rudimentære former til nutidens banebrydende enheder. Uanset om du er nybegynder eller en person med et væsentligt kendskab til emnet, er "How AI Works" designet til at give dig en raffineret forståelse af de transformative teknologier, der fortsætter med at forme vores verden.

# 5. Life 3.0 af Max Tegmark

"Life 3.0” har et ambitiøst mål, og det er at udforske mulighederne for, hvordan vi vil sameksistere med AI i fremtiden. Artificial General Intelligence (AGI) er den endelige og uundgåelige konsekvens af efterretningseksplosionsargument lavet af den britiske matematiker Irving Good tilbage i 1965. Dette argument fastslår, at overmenneskelig intelligens vil være resultatet af en maskine, der løbende kan forbedre sig selv. Det berømte citat for efterretningseksplosionen er som følgende:

"Lad en ultraintelligent maskine defineres som en maskine, der langt kan overgå alle intellektuelle aktiviteter hos enhver mand, uanset hvor klog den er. Da design af maskiner er en af ​​disse intellektuelle aktiviteter, kunne en ultraintelligent maskine designe endnu bedre maskiner; der ville så utvivlsomt være en 'intelligenseksplosion', og menneskets intelligens ville blive efterladt langt tilbage. Således er den første ultraintelligente maskine den sidste opfindelse, som mennesket nogensinde behøver at lave."

Max Tegmark lancerer bogen i en teoretisk fremtid med at leve i en verden, der er styret af en AGI. Fra dette øjeblik stilles der eksplosive spørgsmål, såsom hvad er intelligens? Hvad er hukommelse? Hvad er beregning? og hvad er læring? Hvordan fører disse spørgsmål og mulige svar til sidst til paradigmet for en maskine, der kan bruge forskellige typer maskinlæring til at opnå de gennembrud i selvforbedring, der er nødvendige for at opnå intelligens på menneskeligt niveau, og den uundgåelige resulterende superintelligens?

Det er den type fremadrettet tænkning og vigtige spørgsmål, som Life 3.0 udforsker. Life 1.0 er simple livsformer såsom bakterier, der kun kan ændre sig gennem evolution, der modificerer dens DNA. Life 2.0 er livsformer, der kan redesigne deres egen software, såsom at lære et nyt sprog eller en ny færdighed. Life 3.0 er en kunstig intelligens, der ikke kun kan ændre sin egen adfærd og sine færdigheder, men også kan modificere sin egen hardware, for eksempel ved at opgradere sit robot-selv.

Først når vi forstår fordelene og faldgruberne ved en AGI, kan vi begynde at gennemgå mulighederne for at sikre, at vi opbygger en venlig AI, som kan tilpasses vores mål. For at gøre dette er vi måske også nødt til at forstå, hvad er bevidsthed? Og hvordan vil AI-bevidsthed adskille sig fra vores egen?

Der er mange varme emner, der udforskes i denne bog, og det bør være obligatorisk læsning for alle, der virkelig ønsker at forstå, hvordan AGI er en potentiel trussel, såvel som at være en potentiel livline for fremtiden for den menneskelige civilisation.

# 4. Menneskelig kompatibel: kunstig intelligens og problemet med kontrol af Stuart Russell

Hvad sker der, hvis det lykkes os at opbygge en intelligent agent, noget der opfatter, som handler, og som er mere intelligent end dets skabere? Hvordan vil vi overbevise maskinerne om at nå vores mål i stedet for deres egne mål?

Ovenstående er det, der fører til et af bogens vigtigste begreber "Menneskelig kompatibel: kunstig intelligens og problemet med kontrol” er, at vi skal undgå at “sætte et formål ind i maskinen”, som Norbert Wiener engang sagde. En intelligent maskine, der er for sikker på sine faste mål, er den ultimative type farlig AI. Med andre ord, hvis AI'en bliver uvillig til at overveje muligheden for, at den er forkert i at udføre sit forprogrammerede formål og funktion, så kan det være umuligt at få AI-systemet til at lukke sig selv ned.

Vanskeligheden som beskrevet af Stuart Russell er at instruere AI/robotten, at ingen instrueret kommando er beregnet til at blive opnået for enhver pris. Det er ikke i orden at ofre menneskeliv for at hente en kop kaffe, eller at grille katten for at levere frokost. Det skal forstås, at "tag mig til lufthavnen så hurtigt som muligt", ikke betyder, at hastighedslovgivningen kan blive brudt, selvom denne instruktion ikke er eksplicit. Skulle AI'en tage ovenstående forkert, så er failsafen et vist forudprogrammeret usikkerhedsniveau. Med en vis usikkerhed kan AI'en udfordre sig selv, inden den udfører en opgave, for måske at søge verbal bekræftelse.

I et papir fra 1965 med titlen "Spekulationer om den første ultraintelligens maskine", IJ Good, en genial matematiker, der arbejdede sammen med Alan Turing, udtalte: "Menneskets overlevelse afhænger af den tidlige konstruktion af en ultraintelligent maskine". Det er fuldt ud muligt, at for at redde os selv fra økologiske, biologiske og humanitære katastrofer, skal vi bygge den mest avancerede AI, vi kan.

Dette banebrydende papir forklarer intelligenseksplosionen, idet denne teori er, at en ultraintelligent maskine kan designe endnu bedre og overlegne maskiner med hver iteration, og dette fører uundgåeligt til skabelsen af ​​en AGI. Mens AGI i begyndelsen kan have samme intelligens som et menneske, ville den hurtigt overgå mennesker inden for et kort tidsrum. På grund af denne forudgående konklusion er det vigtigt for AI-udviklere at aktualisere de kerneprincipper, der er delt i denne bog, og at lære, hvordan de sikkert kan anvende dem til at designe AI-systemer, der ikke kun er i stand til at tjene mennesker, men til at redde mennesker fra sig selv. .

Som beskrevet af Stuart Russell er det ikke en mulighed at trække sig tilbage fra AI-forskning, vi skal presse os fremad. Denne bog er en køreplan for at guide os til at designe sikre, ansvarlige og beviseligt gavnlige AI-systemer.

# 3. Sådan skaber du et sind af Ray Kurzweil

Ray Kurzweil er en af ​​verdens førende opfindere, tænkere og fremtidsforskere, han er blevet omtalt som "det rastløse geni" af The Wall Street Journal og "den ultimative tænkemaskine" af magasinet Forbes. Han er også medstifter af Singularity University, og han er bedst kendt for sin banebrydende bog "The Singularity is Near". “Sådan skaber du et sind” tackler mindre spørgsmålene om eksponentiel vækst, som er kendetegnende for hans andet arbejde, i stedet fokuserer det på, hvordan vi skal forstå den menneskelige hjerne for at omvendt konstruere den til at skabe den ultimative tænkemaskine.

Et af de kerneprincipper, der er skitseret i dette afgørende arbejde, er, hvordan mønstergenkendelse fungerer i den menneskelige hjerne. Hvordan genkender mennesker mønstre i hverdagen? Hvordan dannes disse forbindelser i hjernen? Bogen begynder med at forstå hierarkisk tænkning, dette er at forstå en struktur, der er sammensat af forskellige elementer, der er arrangeret i et mønster, dette arrangement repræsenterer så et symbol såsom et bogstav eller et tegn, og derefter er dette yderligere arrangeret i et mere avanceret mønster såsom et ord og til sidst en sætning. Til sidst danner disse mønstre ideer, og disse ideer omdannes til de produkter, som mennesker er ansvarlige for at bygge.

Da det er en Ray Kurzweil-bog, varer det naturligvis ikke længe, ​​før eksponentiel tænkning introduceres. Det "Loven om accelererende afkast' er et kendetegn ved denne skelsættende bog. Denne lov viser, hvordan teknologier og accelerationshastigheden accelererer på grund af tendensen til fremskridt til at brødføde sig selv, hvilket yderligere øger fremskridtshastigheden. Denne tankegang kan så anvendes på, hvor hurtigt vi lærer at forstå og omvendt konstruere den menneskelige hjerne. Denne accelererede forståelse af mønstergenkendelsessystemer i den menneskelige hjerne kan derefter anvendes til at opbygge et AGI-system.

Denne bog var så transformerende for AI's fremtid, at Eric Schmidt rekrutterede Ray Kurzweil til at arbejde på AI-projekter, efter at han havde læst denne banebrydende bog. Det er umuligt at skitsere alle de ideer og begreber, der diskuteres i en kort artikel, ikke desto mindre er det en instrumental bog, der skal læses for bedre at forstå, hvordan menneskelige neurale netværk fungerer for at designe en avanceret kunstigt neuralt netværk.

Mønstergenkendelse er nøgleelementet for dyb læring, og denne bog illustrerer hvorfor.

# 2. Masteralgoritmen af Pedro Domingos

Den centrale hypotese vedr Masteralgoritmen er, at al viden – fortid, nutid og fremtid – kan udledes af data ved hjælp af en enkelt, universel læringsalgoritme, der er kvantificeret som en Master Algorithm. Bogen beskriver nogle af de bedste maskinlæringsmetoder, den giver detaljerede forklaringer på, hvordan forskellige algoritmer fungerer, hvordan de kan optimeres, og hvordan de kan arbejde sammen for at opnå det ultimative mål med at skabe Master-algoritmen. Dette er en algoritme, der er i stand til at løse ethvert problem, som vi fodrer med det, og dette inkluderer helbredelse af kræft.

Læseren starter med at lære om Naive Bayes, en simpel algoritme, der kan forklares i en simpel ligning. Derfra accelererer den fuld hastighed til mere interessante maskinlæringsteknikker. For at forstå de teknologier, der accelererer os hen imod denne masteralgoritme, lærer vi om konvergerende fundamentale elementer. For det første lærer vi fra neurovidenskaben om hjernens plasticitet, menneskelige neurale netværk. For det andet går vi videre til naturlig selektion i en lektion for at forstå, hvordan man designer en genetisk algoritme, der simulerer evolution og naturlig selektion. Med en genetisk algoritme krydser en population af hypoteser i hver generation og muterer, derfra producerer de bedst egnede algoritmer den næste generation. Denne udvikling tilbyder det ultimative inden for selvforbedring.

Andre argumenter kommer fra fysik, statistik og selvfølgelig det bedste fra datalogi. Det er umuligt at gennemgå alle de forskellige facetter, som denne bog berører, på grund af bogens ambitiøse rækkevidde til at udstikke rammerne for opbygningen af ​​Master Algorithm. Det er denne ramme, der har skubbet denne bog til andenpladsen, da alle de andre maskinlæringsbøger bygger på dette i en eller anden form.

# 1. Tusind hjerner af Jeff Hawkins

"Tusind hjerner” bygger på de begreber, der er diskuteret i den tidligere bog af Jeff Hawkins med titlen “On Intelligence”. "On Intelligence" udforskede rammerne for at forstå, hvordan menneskelig intelligens fungerer, og hvordan disse begreber derefter kan anvendes til at bygge de ultimative AI- og AGI-systemer. Den analyserer grundlæggende, hvordan vores hjerne forudsiger, hvad vi vil opleve, før vi oplever det.

Selvom "Tusind hjerner" er en fantastisk selvstændig bog, vil den bedst nydes og værdsættes, hvis "Om intelligens” læses først.

"A Thousand Brains" bygger på den seneste forskning fra Jeff Hawkins og det firma, han grundlagde, kaldet numenta. Numenta har et primært mål om at udvikle en teori om, hvordan neocortex fungerer, det sekundære mål er, hvordan denne teori om hjernen kan anvendes til maskinlæring og maskinintelligens.

Numentas første store opdagelse i 2010 involverer, hvordan neuroner laver forudsigelser, og den anden opdagelse i 2016 involverede kortlignende referencerammer i neocortex. Bogen beskriver først og fremmest, hvad "Thousand Brains theory" er, hvad referencerammer er, og hvordan teorien fungerer i den virkelige verden. En af de mest fundamentale komponenter bag denne teori er at forstå, hvordan neocortex udviklede sig til sin nuværende størrelse.

Neocortex startede i det små, ligesom andre pattedyr, men den voksede sig eksponentielt større (kun begrænset af størrelsen af ​​fødselskanalen) ikke ved at skabe noget nyt, men ved at kopiere et grundlæggende kredsløb gentagne gange. I bund og grund er det, der adskiller mennesker, ikke det organiske materiale i hjernen, men antallet af kopier af de identiske elementer, der danner neocortex.

Teorien udvikler sig yderligere til, hvordan neocortex er dannet med cirka 150,000 kortikale søjler, der ikke er synlige under et mikroskop, da der ikke er nogen synlige grænser mellem dem. Hvordan disse kortikale kolonner kommunikerer indbyrdes, er implementeringen af ​​en grundlæggende algoritme, der er ansvarlig for alle aspekter af perception og intelligens.

Endnu vigtigere afslører bogen, hvordan denne teori kan anvendes til at bygge intelligente maskiner, og de mulige fremtidige konsekvenser for samfundet. For eksempel lærer hjernen en model af verden ved at observere, hvordan input ændres over tid, især når bevægelse anvendes. De kortikale kolonner kræver en referenceramme, der er fastgjort til et objekt, disse referencerammer tillader en kortikal kolonne at lære placeringen af ​​funktioner, der definerer et objekts realiteter. I det væsentlige kan referencerammer organisere enhver form for viden. Dette fører til den vigtigste del af denne banebrydende bog, kan referencerammer potentielt være det vitale manglende led til at bygge et mere avanceret AI eller endda et AGI-system? Jeff tror selv på en uundgåelig fremtid, når en AGI vil lære modeller af verden ved hjælp af kortlignende referencerammer, der ligner neocortex, og han gør et bemærkelsesværdigt stykke arbejde med at illustrere, hvorfor han tror på dette.