De 6 beste boeken over machine learning en AI aller tijden (mei 2024)

De wereld van AI kan intimiderend zijn vanwege de terminologie en de verschillende machine learning-algoritmen die beschikbaar zijn. Nadat ik meer dan 50 van de meest aanbevolen boeken over machine learning heb gelezen, heb ik mijn persoonlijke lijst samengesteld met boeken die je moet lezen.

De gekozen boeken zijn gebaseerd op de soorten ideeën die worden geïntroduceerd en hoe goed verschillende concepten zoals diep leren, versterkend leren en genetische algoritmen worden gepresenteerd. Het belangrijkste is dat de lijst is gebaseerd op de boeken die het beste de weg voorwaarts effenen voor futuristen en onderzoekers naar het bouwen van aantoonbaar verantwoorde en verklaarbare AI.

#6. Hoe AI werkt: van tovenarij tot wetenschap door Ronald T. Kneusel

‘How AI Works’ is een beknopt en duidelijk boek dat is ontworpen om de kernbeginselen van machinaal leren te schetsen. Dit boek vergemakkelijkt het leren over de rijke geschiedenis van machinaal leren, vanaf het begin van oudere AI-systemen tot de komst van hedendaagse methodologieën.

De geschiedenis is gelaagd, te beginnen met de goed gefundeerde AI-systemen zoals ondersteunende vectormachines, beslissingsbomen en willekeurige bossen. Deze eerdere systemen maakten de weg vrij voor baanbrekende ontwikkelingen, wat leidde tot de ontwikkeling van meer geavanceerde benaderingen zoals neurale netwerken en convolutionele neurale netwerken. Het boek bespreekt de ongelooflijke mogelijkheden die worden geboden door Large Language Models (LLM's), die de krachtpatser vormen achter de hedendaagse geavanceerde generatieve AI.

Het begrijpen van de basisprincipes, zoals hoe noise-to-image-technologie bestaande beelden kan repliceren en zelfs nieuwe, ongekende beelden kan creëren op basis van schijnbaar willekeurige aanwijzingen, is van cruciaal belang om de krachten te begrijpen die de hedendaagse beeldgeneratoren voortstuwen. Dit boek legt deze fundamentele aspecten prachtig uit, waardoor lezers de fijne kneepjes en onderliggende mechanismen van beeldgeneratietechnologieën kunnen begrijpen.

Ron Kneusel, de auteur, demonstreert een lovenswaardige poging om zijn perspectieven te verhelderen over waarom OpenAI's ChatGPT en zijn LLM-model het begin van echte AI betekenen. Hij presenteert nauwgezet hoe verschillende LLM's opkomende eigenschappen vertonen die in staat zijn om de Theory of Mind intuïtief te begrijpen. Deze opkomende eigenschappen lijken meer uitgesproken en invloedrijker te worden op basis van de omvang van het trainingsmodel. Kneusel bespreekt hoe een grotere hoeveelheid parameters doorgaans resulteert in de meest bekwame en succesvolle LLM-modellen, waardoor diepere inzichten worden verkregen in de schaaldynamiek en effectiviteit van deze modellen.

Dit boek is een baken voor degenen die meer willen leren over de wereld van AI en biedt een gedetailleerd maar begrijpelijk overzicht van het evolutionaire traject van machine learning-technologieën, van hun rudimentaire vormen tot de baanbrekende entiteiten van vandaag. Of u nu een beginneling bent of iemand met een substantiële kennis van het onderwerp, ‘Hoe AI werkt’ is ontworpen om u een verfijnd inzicht te geven in de transformatieve technologieën die onze wereld blijven vormgeven.

#5. Leven 3.0 van Max Tegmark

"Leven 3.0” heeft een ambitieus doel en dat is om de mogelijkheden te onderzoeken van hoe we in de toekomst naast AI zullen bestaan. Artificial General Intelligence (AGI) is het uiteindelijke en onvermijdelijke gevolg van de intelligentie explosie argument gemaakt door de Britse wiskundige Irving Good in 1965. Dit argument stelt dat bovenmenselijke intelligentie het resultaat zal zijn van een machine die zichzelf voortdurend kan verbeteren. Het beroemde citaat voor de intelligentie-explosie is als volgt:

“Laat een ultra-intelligente machine gedefinieerd worden als een machine die alle intellectuele activiteiten van elke man, hoe slim ook, ver kan overtreffen. Aangezien het ontwerpen van machines een van deze intellectuele activiteiten is, zou een ultra-intelligente machine nog betere machines kunnen ontwerpen; er zou dan ongetwijfeld een 'intelligentie-explosie' plaatsvinden en de intelligentie van de mens zou ver achter zich gelaten worden. De eerste ultra-intelligente machine is dus de laatste uitvinding die de mens ooit hoeft te doen.”

Max Tegmark lanceert het boek over een theoretische toekomst van leven in een wereld die wordt bestuurd door een AGI. Vanaf dit moment worden explosieve vragen gesteld als wat is intelligentie? Wat is geheugen? Wat is rekenen? en wat is leren? Hoe leiden deze vragen en mogelijke antwoorden uiteindelijk tot het paradigma van een machine die verschillende soorten machine learning kan gebruiken om de doorbraken in zelfverbetering te bereiken die nodig zijn om intelligentie op menselijk niveau te bereiken, en de onvermijdelijk resulterende superintelligentie?

Dit zijn het soort vooruitdenken en belangrijke vragen die Life 3.0 onderzoekt. Life 1.0 bestaat uit eenvoudige levensvormen zoals bacteriën die alleen kunnen veranderen door evolutie die zijn DNA aanpast. Life 2.0 zijn levensvormen die hun eigen software opnieuw kunnen ontwerpen, zoals het leren van een nieuwe taal of vaardigheid. Life 3.0 is een AI die niet alleen zijn eigen gedrag en vaardigheden kan aanpassen, maar ook zijn eigen hardware kan aanpassen, bijvoorbeeld door zijn robotische zelf te upgraden.

Pas als we de voordelen en valkuilen van een AGI begrijpen, kunnen we beginnen met het bekijken van opties om ervoor te zorgen dat we een vriendelijke AI bouwen die aansluit bij onze doelen. Om dit te kunnen doen, moeten we misschien ook begrijpen wat bewustzijn is? En hoe zal AI-bewustzijn verschillen van het onze?

Er zijn veel actuele onderwerpen die in dit boek worden onderzocht, en het zou verplicht leesvoer moeten zijn voor iedereen die echt wil begrijpen hoe AGI een potentiële bedreiging vormt, maar ook een potentiële reddingslijn voor de toekomst van de menselijke beschaving.

#4. Menselijk compatibel: kunstmatige intelligentie en het controleprobleem door StuartRussell

Wat gebeurt er als we erin slagen een intelligente agent te bouwen, iets dat waarneemt, handelt en intelligenter is dan zijn scheppers? Hoe gaan we de machines overtuigen om onze doelen te bereiken in plaats van hun eigen doelen?

Het bovenstaande leidt tot een van de belangrijkste concepten van het boek "Menselijk compatibel: kunstmatige intelligentie en het controleprobleem' is dat we moeten vermijden 'een doel in de machine te stoppen', zoals Norbert Wiener ooit zei. Een intelligente machine die te zeker is van zijn vaste doelen, is het ultieme type gevaarlijke AI. Met andere woorden, als de AI niet bereid wordt om de mogelijkheid te overwegen dat het verkeerd is in het uitvoeren van zijn voorgeprogrammeerde doel en functie, dan kan het onmogelijk zijn om het AI-systeem zichzelf te laten afsluiten.

De moeilijkheid zoals geschetst door Stuart Russell is om de AI/robot te instrueren dat het niet de bedoeling is dat een geïnstrueerd commando koste wat het kost wordt uitgevoerd. Het is niet oké om een ​​mensenleven op te offeren om koffie te halen, of om de kat te grillen voor de lunch. Het moet duidelijk zijn dat "breng me zo snel mogelijk naar de luchthaven", niet betekent dat snelheidsregels kunnen worden overtreden, ook al is deze instructie niet expliciet. Mocht de AI het bovenstaande fout hebben, dan is de fail safe een bepaald voorgeprogrammeerd niveau van onzekerheid. Met enige onzekerheid kan de AI zichzelf uitdagen voordat hij een taak voltooit, om misschien verbale bevestiging te zoeken.

In een artikel uit 1965 met de titel "Speculaties over de eerste ultra-intelligentiemachine“, IJ Good, een briljante wiskundige die samenwerkte met Alan Turing, verklaarde: “Het voortbestaan ​​van de mens hangt af van de vroege constructie van een ultra-intelligente machine”. Het is heel goed mogelijk dat we, om onszelf te redden van ecologische, biologische en humanitaire rampen, de meest geavanceerde AI moeten bouwen die we kunnen.

Dit baanbrekende artikel legt de intelligentie-explosie uit, deze theorie is dat een ultra-intelligente machine met elke iteratie nog betere en superieure machines kan ontwerpen, en dit leidt onvermijdelijk tot de creatie van een AGI. Hoewel de AGI in eerste instantie even intelligent kan zijn als een mens, zou hij de mens in korte tijd snel overtreffen. Vanwege deze uitgemaakte zaak is het belangrijk voor AI-ontwikkelaars om de kernprincipes die in dit boek worden gedeeld, te actualiseren en te leren hoe ze veilig kunnen worden toegepast bij het ontwerpen van AI-systemen die niet alleen in staat zijn om mensen te dienen, maar ook om mensen van zichzelf te redden. .

Zoals uiteengezet door Stuart Russell is terugtrekken uit AI-onderzoek geen optie, we moeten doorzetten. Dit boek is een stappenplan om ons te begeleiden bij het ontwerpen van veilige, verantwoorde en aantoonbaar voordelige AI-systemen.

#3. Hoe een geest te creëren door Ray Kurzweil

Ray Kurzweil wel een van 's werelds toonaangevende uitvinders, denkers en futuristen, wordt hij genoemd "the rustless genius" door The Wall Street Journal en "the ultimate thinking machine" door Forbes magazine. Hij is ook mede-oprichter van Singularity University, en hij is vooral bekend om zijn baanbrekende boek "The Singularity is Near". “Hoe een geest te creëren” pakt minder de problemen van exponentiële groei aan die kenmerkend zijn voor zijn andere werk, maar richt zich op hoe we het menselijk brein moeten begrijpen om het te reverse-engineeren om de ultieme denkmachine te creëren.

Een van de kernprincipes die in dit baanbrekende werk worden geschetst, is hoe patroonherkenning werkt in het menselijk brein. Hoe herkennen mensen patronen in het dagelijks leven? Hoe worden deze verbindingen in de hersenen gevormd? Het boek begint met het begrijpen van hiërarchisch denken, dit is het begrijpen van een structuur die is samengesteld uit verschillende elementen die in een patroon zijn gerangschikt, deze rangschikking vertegenwoordigt dan een symbool zoals een letter of teken, en dan wordt dit verder gerangschikt in een meer geavanceerd patroon zoals een woord en uiteindelijk een zin. Uiteindelijk vormen deze patronen ideeën, en deze ideeën worden omgezet in de producten die mensen moeten bouwen.

Aangezien het een boek van Ray Kurzweil is, duurt het natuurlijk niet lang voordat exponentieel denken wordt geïntroduceerd. De "Wet van versnellende opbrengsten' is een kenmerk van dit baanbrekende boek. Deze wet laat zien hoe technologieën en het tempo van versnelling versnellen als gevolg van de neiging van vooruitgang om zichzelf te voeden, waardoor het tempo van de vooruitgang verder toeneemt. Dit denken kan vervolgens worden toegepast op hoe snel we het menselijk brein leren begrijpen en reverse-engineeren. Dit versnelde begrip van patroonherkenningssystemen in het menselijk brein kan vervolgens worden toegepast bij het bouwen van een AGI-systeem.

Dit boek was zo transformerend voor de toekomst van AI, dat Eric Schmidt Ray Kurzweil rekruteerde om aan AI-projecten te werken nadat hij dit baanbrekende boek had gelezen. Het is onmogelijk om alle ideeën en concepten die in een kort artikel worden besproken, te schetsen, niettemin is het een onmisbaar boek om beter te begrijpen hoe menselijke neurale netwerken werken om een ​​geavanceerd systeem te ontwerpen. kunstmatig neuraal netwerk.

Patroonherkenning is het sleutelelement voor diep leren, en dit boek illustreert waarom.

#2. Het meester-algoritme door Pedro Domingos

De centrale hypothese van Het meester-algoritme is dat alle kennis – verleden, heden en toekomst – kan worden afgeleid uit gegevens door een enkel, universeel leeralgoritme dat wordt gekwantificeerd als een masteralgoritme. Het boek beschrijft enkele van de beste machine learning-methodologieën, het geeft gedetailleerde uitleg over hoe verschillende algoritmen werken, hoe ze kunnen worden geoptimaliseerd en hoe ze kunnen samenwerken om het uiteindelijke doel te bereiken: het creëren van het Master-algoritme. Dit is een algoritme dat in staat is om elk probleem op te lossen waarmee we het voeden, inclusief het genezen van kanker.

De lezer zal beginnen met te leren over Naïeve Bayes, een eenvoudig algoritme dat in één simpele vergelijking kan worden uitgelegd. Van daaruit versnelt het op volle snelheid naar interessantere machine learning-technieken. Om de technologieën te begrijpen die ons naar dit hoofdalgoritme versnellen, leren we over convergerende grondbeginselen. Ten eerste leren we vanuit de neurowetenschappen over hersenplasticiteit, menselijke neurale netwerken. Ten tweede gaan we verder met natuurlijke selectie in een les om te begrijpen hoe een genetisch algoritme ontworpen moet worden dat evolutie en natuurlijke selectie simuleert. Met een genetisch algoritme kruist een populatie van hypothesen in elke generatie elkaar en muteert, van daaruit produceren de sterkste algoritmen de volgende generatie. Deze evolutie biedt de ultieme zelfverbetering.

Andere argumenten komen uit de natuurkunde, statistiek en natuurlijk het beste van de informatica. Het is onmogelijk om alle verschillende facetten die in dit boek aan bod komen uitgebreid te bespreken, vanwege de ambitieuze reikwijdte van het boek om het raamwerk te schetsen voor het bouwen van het hoofdalgoritme. Het is dit raamwerk dat dit boek naar de tweede plaats heeft geduwd, aangezien alle andere boeken over machine learning hier in een of andere vorm op voortbouwen.

#1. Duizend hersenen door Jeff Hawkins

"Duizend hersenen” bouwt voort op de concepten die zijn besproken in het vorige boek van Jeff Hawkins getiteld “On Intelligence”. "On Intelligence" onderzocht het raamwerk om te begrijpen hoe menselijke intelligentie werkt, en hoe deze concepten vervolgens kunnen worden toegepast om de ultieme AI- en AGI-systemen te bouwen. Het analyseert fundamenteel hoe onze hersenen voorspellen wat we zullen ervaren voordat we het ervaren.

Hoewel "A Thousand Brains" een geweldig op zichzelf staand boek is, zal het het best worden genoten en gewaardeerd als "Over intelligentie' wordt als eerste gelezen.

"A Thousand Brains" bouwt voort op het laatste onderzoek van Jeff Hawkins en het door hem opgerichte bedrijf genaamd numenta. Numenta heeft als primair doel het ontwikkelen van een theorie over hoe de neocortex werkt, het secundaire doel is hoe deze theorie van de hersenen kan worden toegepast op machine learning en machine-intelligentie.

Numenta's eerste grote ontdekking in 2010 gaat over hoe neuronen voorspellingen doen, en de tweede ontdekking in 2016 betrof kaartachtige referentiekaders in de neocortex. Het boek beschrijft eerst en vooral wat de "Thousand Brains-theorie" is, wat referentiekaders zijn en hoe de theorie werkt in de echte wereld. Een van de meest fundamentele componenten achter deze theorie is begrijpen hoe de neocortex is geëvolueerd tot zijn huidige omvang.

De neocortex begon klein, vergelijkbaar met andere zoogdieren, maar werd exponentieel groter (alleen beperkt door de grootte van het geboortekanaal), niet door iets nieuws te creëren, maar door herhaaldelijk een basiscircuit te kopiëren. Wat mensen in wezen onderscheidt, is niet het organische materiaal van de hersenen, maar het aantal kopieën van de identieke elementen die de neocortex vormen.

De theorie evolueert verder naar hoe de neocortex wordt gevormd met ongeveer 150,000 corticale kolommen die niet zichtbaar zijn onder een microscoop omdat er geen zichtbare grenzen tussen zijn. Hoe deze corticale kolommen met elkaar communiceren, is de implementatie van een fundamenteel algoritme dat verantwoordelijk is voor elk aspect van perceptie en intelligentie.

Wat nog belangrijker is, het boek onthult hoe deze theorie kan worden toegepast op het bouwen van intelligente machines, en de mogelijke toekomstige implicaties voor de samenleving. De hersenen leren bijvoorbeeld een model van de wereld door te observeren hoe invoer in de loop van de tijd verandert, vooral wanneer er beweging wordt toegepast. De corticale kolommen hebben een referentieframe nodig dat aan een object is bevestigd, deze referentieframes stellen een corticale kolom in staat om de locaties te leren van kenmerken die de realiteit van een object bepalen. In wezen kunnen referentiekaders elk type kennis organiseren. Dit leidt tot het belangrijkste deel van dit baanbrekende boek: kunnen referentiekaders mogelijk de essentiële ontbrekende schakel zijn bij het bouwen van een meer geavanceerd AI- of zelfs een AGI-systeem? Jeff gelooft zelf in een onvermijdelijke toekomst waarin een AGI modellen van de wereld zal leren met behulp van kaartachtige referentiekaders vergelijkbaar met de neocortex, en hij levert opmerkelijk werk door te illustreren waarom hij dit gelooft.