6 beste maskinlærings- og AI-bøker gjennom tidene (mai 2024)

AI-verdenen kan være skremmende på grunn av terminologien og forskjellige maskinlæringsalgoritmer som er tilgjengelige. Etter å ha lest over 50 av de mest anbefalte bøkene om maskinlæring, har jeg satt sammen min personlige liste over bøker som må leses.

Bøkene som ble valgt er basert på hvilke typer ideer som introduseres, og hvor godt ulike konsepter som dyp læring, forsterkende læring og genetiske algoritmer presenteres. Det viktigste er at listen er basert på bøkene som best baner veien for futurister og forskere mot å bygge beviselig ansvarlig og forklarlig AI.

# 6. Hvordan AI fungerer: Fra trolldom til vitenskap av Ronald T. Kneusel

"How AI Works" er en kortfattet og tydelig bok designet for å avgrense det grunnleggende innen maskinlæring. Denne boken gjør det lettere å lære om den rike historien til maskinlæring, fra starten av eldre AI-systemer til fremveksten av moderne metoder.

Historien er lagdelt, og starter med de velfunderte AI-systemene som støttevektormaskiner, beslutningstrær og tilfeldige skoger. Disse tidligere systemene banet vei for banebrytende fremskritt, noe som førte til utviklingen av mer sofistikerte tilnærminger som nevrale nettverk og konvolusjonelle nevrale nettverk. Boken diskuterer de utrolige egenskapene som tilbys av Large Language Models (LLM), som er kraftsenteret bak dagens toppmoderne Generative AI.

Å forstå det grunnleggende, for eksempel hvordan støy-til-bilde-teknologi kan replikere eksisterende bilder og til og med lage nye, enestående bilder fra tilsynelatende tilfeldige spørsmål, er avgjørende for å forstå kreftene som driver frem dagens bildegeneratorer. Denne boken forklarer disse grunnleggende aspektene på en vakker måte, slik at leserne kan forstå forviklingene og den underliggende mekanikken til bildegenereringsteknologier.

Ron Kneusel, forfatteren, demonstrerer en prisverdig innsats for å belyse hans perspektiver på hvorfor OpenAIs ChatGPT og dens LLM-modell betyr begynnelsen på ekte AI. Han presenterer omhyggelig hvordan distinkte LLM-er viser fremvoksende egenskaper som er i stand til intuitivt å forstå teorien om sinnet. Disse fremvoksende egenskapene ser ut til å bli mer uttalte og innflytelsesrike basert på størrelsen på treningsmodellen. Kneusel diskuterer hvordan en større mengde parametere vanligvis resulterer i de mest dyktige og vellykkede LLM-modellene, og gir dypere innsikt i skaleringsdynamikken og effektiviteten til disse modellene.

Denne boken er et fyrtårn for de som ønsker å lære mer om AI-verdenen, og tilbyr en detaljert, men likevel forståelig oversikt over den evolusjonære banen til maskinlæringsteknologier, fra deres rudimentære former til dagens banebrytende enheter. Enten du er en nybegynner eller noen med et betydelig grep om emnet, er "How AI Works" designet for å gi deg en raffinert forståelse av de transformative teknologiene som fortsetter å forme vår verden.

# 5. Livet 3.0 av Max Tegmark

"Livet 3.0” har et ambisiøst mål, og det er å utforske mulighetene for hvordan vi vil sameksistere med AI i fremtiden. Artificial General Intelligence (AGI) er den eventuelle og uunngåelige konsekvensen av etterretningseksplosjonsargument laget av den britiske matematikeren Irving Good tilbake i 1965. Dette argumentet fastsetter at overmenneskelig intelligens vil være et resultat av en maskin som kontinuerlig kan forbedre seg selv. Det berømte sitatet for etterretningseksplosjonen er som følger:

«La en ultraintelligent maskin defineres som en maskin som langt kan overgå alle intellektuelle aktiviteter til ethvert menneske, uansett hvor smart det er. Siden design av maskiner er en av disse intellektuelle aktivitetene, kan en ultraintelligent maskin designe enda bedre maskiner; det ville da utvilsomt være en 'intelligenseksplosjon', og menneskets intelligens ville ligge langt bak. Dermed er den første ultraintelligente maskinen den siste oppfinnelsen mennesket noensinne trenger å lage.»

Max Tegmark lanserer boken inn i en teoretisk fremtid for å leve i en verden som er kontrollert av en AGI. Fra dette øyeblikket stilles eksplosive spørsmål som hva er intelligens? Hva er minne? Hva er beregning? og hva er læring? Hvordan fører disse spørsmålene og mulige svarene til slutt til paradigmet til en maskin som kan bruke ulike typer maskinlæring for å oppnå gjennombruddene innen selvforbedring som er nødvendig for å oppnå intelligens på menneskelig nivå, og den uunngåelige resulterende superintelligensen?

Dette er den typen fremtidsrettet tenkning og viktige spørsmål som Life 3.0 utforsker. Life 1.0 er enkle livsformer som bakterier som bare kan endres gjennom evolusjon som modifiserer DNA. Life 2.0 er livsformer som kan redesigne sin egen programvare, for eksempel å lære et nytt språk eller ferdigheter. Life 3.0 er en kunstig intelligens som ikke bare kan modifisere sin egen oppførsel og ferdigheter, men som også kan modifisere sin egen maskinvare, for eksempel ved å oppgradere roboten.

Først når vi forstår fordelene og fallgruvene med en AGI, kan vi begynne å vurdere alternativer for å sikre at vi bygger en vennlig AI som kan samsvare med våre mål. For å gjøre dette må vi kanskje også forstå hva bevissthet er? Og hvordan vil AI-bevissthet skille seg fra vår egen?

Det er mange hete emner som utforskes i denne boken, og den bør være obligatorisk lesning for alle som virkelig ønsker å forstå hvordan AGI er en potensiell trussel, i tillegg til å være en potensiell livline for fremtiden til menneskelig sivilisasjon.

# 4. Menneskelig kompatibel: kunstig intelligens og problemet med kontroll av Stuart Russell

Hva skjer hvis vi lykkes med å bygge en intelligent agent, noe som oppfatter, som handler, og som er mer intelligent enn dets skapere? Hvordan skal vi overbevise maskinene om å nå våre mål i stedet for deres egne mål?

Ovennevnte er det som fører til et av de viktigste konseptene i boken "Menneskelig kompatibel: kunstig intelligens og problemet med kontroll” er at vi må unngå å “sette en hensikt i maskinen”, som Norbert Wiener en gang sa. En intelligent maskin som er for sikker på sine faste mål er den ultimate typen farlig AI. Med andre ord hvis AI blir uvillig til å vurdere muligheten for at den er feil i å utføre sin forhåndsprogrammerte hensikt og funksjon, kan det være umulig å få AI-systemet til å stenge seg selv.

Vanskeligheten som skissert av Stuart Russell er å instruere AI/roboten at ingen instruert kommando er ment å bli oppnådd for enhver pris. Det er ikke greit å ofre menneskeliv for å hente en kaffe, eller å grille katten for å gi lunsj. Det må forstås at "ta meg til flyplassen så fort som mulig", betyr ikke at fartsloven kan bli brutt, selv om denne instruksen ikke er eksplisitt. Skulle AI-en ta feil av det ovennevnte, er failsafen et visst forhåndsprogrammert usikkerhetsnivå. Med litt usikkerhet kan AI utfordre seg selv før den fullfører en oppgave, for kanskje å søke verbal bekreftelse.

I en artikkel fra 1965 med tittelen "Spekulasjoner angående den første ultraintelligensmaskinen", IJ Good, en strålende matematiker som jobbet sammen med Alan Turing, uttalte: "Menneskets overlevelse avhenger av den tidlige konstruksjonen av en ultraintelligent maskin". Det er fullt mulig at for å redde oss selv fra økologiske, biologiske og humanitære katastrofer må vi bygge den mest avanserte AI vi kan.

Denne banebrytende artikkelen forklarer intelligenseksplosjonen, denne teorien er at en ultraintelligent maskin kan designe enda bedre og overlegne maskiner med hver iterasjon, og dette fører uunngåelig til opprettelsen av en AGI. Selv om AGI i utgangspunktet kan ha samme intelligens som et menneske, vil den raskt overgå mennesker i løpet av kort tid. På grunn av denne forutgående konklusjonen er det viktig for AI-utviklere å aktualisere kjerneprinsippene som er delt i denne boken og å lære hvordan de trygt kan bruke dem til å designe AI-systemer som ikke bare er i stand til å tjene mennesker, men til å redde mennesker fra seg selv. .

Som skissert av Stuart Russell er det ikke et alternativ å trekke seg tilbake fra AI-forskning, vi må presse oss fremover. Denne boken er et veikart for å veilede oss mot å designe sikre, ansvarlige og beviselig nyttige AI-systemer.

# 3. Hvordan skape et sinn av Ray Kurzweil

Ray Kurzweil er en av verdens ledende oppfinnere, tenkere og fremtidsforskere, har han blitt omtalt som «det rastløse geni» av The Wall Street Journal og «den ultimate tenkemaskinen» av magasinet Forbes. Han er også en av grunnleggerne av Singularity University, og han er mest kjent for sin banebrytende bok "The Singularity is Near". "Hvordan skape et sinn” takler mindre problemene med eksponentiell vekst som er kjennetegn ved hans andre arbeid, i stedet fokuserer den på hvordan vi trenger å forstå den menneskelige hjernen for å omvendt konstruere den for å skape den ultimate tenkemaskinen.

En av kjerneprinsippene som er skissert i dette banebrytende arbeidet er hvordan mønstergjenkjenning fungerer i den menneskelige hjernen. Hvordan gjenkjenner mennesker mønstre i hverdagen? Hvordan dannes disse forbindelsene i hjernen? Boken begynner med å forstå hierarkisk tenkning, dette er å forstå en struktur som er sammensatt av ulike elementer som er arrangert i et mønster, dette arrangementet representerer da et symbol som en bokstav eller et tegn, og deretter blir dette videre arrangert til et mer avansert mønster for eksempel et ord, og til slutt en setning. Til slutt danner disse mønstrene ideer, og disse ideene blir transformert til produktene som mennesker er ansvarlige for å bygge.

Siden det er en Ray Kurzweil-bok tar det selvfølgelig ikke lang tid før eksponentiell tenkning introduseres. «Loven om akselererende returer' er et kjennetegn ved denne banebrytende boken. Denne loven viser hvordan teknologier og akselerasjonstakten akselererer på grunn av tendensen til at fremskritt lever av seg selv, og øker fremdriftshastigheten ytterligere. Denne tenkningen kan deretter brukes på hvor raskt vi lærer å forstå og reversere den menneskelige hjernen. Denne akselererte forståelsen av mønstergjenkjenningssystemer i den menneskelige hjernen kan deretter brukes til å bygge et AGI-system.

Denne boken var så transformerende for fremtiden til AI, at Eric Schmidt rekrutterte Ray Kurzweil til å jobbe med AI-prosjekter etter at han hadde lest denne banebrytende boken. Det er umulig å skissere alle ideene og konseptene som diskuteres i en kort artikkel, men det er en instrumentell bok som må leses for bedre å forstå hvordan menneskelige nevrale nettverk fungerer for å designe en avansert kunstig nevrale nettverk.

Mønstergjenkjenning er nøkkelelementet for dyp læring, og denne boken illustrerer hvorfor.

# 2. Masteralgoritmen av Pedro Domingos

Den sentrale hypotesen om Masteralgoritmen er at all kunnskap – fortid, nåtid og fremtid – kan utledes fra data ved hjelp av en enkelt, universell læringsalgoritme som er kvantifisert som en masteralgoritme. Boken beskriver noen av de beste maskinlæringsmetodikkene, den gir detaljerte forklaringer på hvordan forskjellige algoritmer fungerer, hvordan de kan optimaliseres, og hvordan de kan samarbeide for å oppnå det endelige målet om å lage Master-algoritmen. Dette er en algoritme som er i stand til å løse ethvert problem som vi mater den, og dette inkluderer å kurere kreft.

Leseren vil starte med å lære om Naive Bayes, en enkel algoritme som kan forklares i en enkel ligning. Derfra akselererer den full hastighet til mer interessante maskinlæringsteknikker. For å forstå teknologiene som akselererer oss mot denne masteralgoritmen lærer vi om konvergerende grunnleggende. For det første lærer vi fra nevrovitenskap om hjerneplastisitet, menneskelige nevrale nettverk. For det andre går vi videre til naturlig utvalg i en leksjon for å forstå hvordan man kan designe en genetisk algoritme som simulerer evolusjon og naturlig utvalg. Med en genetisk algoritme krysser en populasjon av hypoteser i hver generasjon og muterer, derfra produserer de beste algoritmene neste generasjon. Denne utviklingen tilbyr det ultimate innen selvforbedring.

Andre argumenter kommer fra fysikk, statistikk og selvfølgelig det beste innen informatikk. Det er umulig å grundig gjennomgå alle de forskjellige fasettene denne boken berører, på grunn av bøkenes ambisiøse omfang for å legge ut rammeverket for å bygge masteralgoritmen. Det er dette rammeverket som har presset denne boken til andreplass, ettersom alle de andre maskinlæringsbøkene bygger på dette i en eller annen form.

# 1. Tusen hjerner av Jeff Hawkins

"Tusen hjerner” bygger på konseptene som er diskutert i forrige bok av Jeff Hawkins med tittelen “On Intelligence”. "On Intelligence" utforsket rammeverket for å forstå hvordan menneskelig intelligens fungerer, og hvordan disse konseptene deretter kan brukes for å bygge de ultimate AI- og AGI-systemene. Den analyserer fundamentalt hvordan hjernen vår forutsier hva vi vil oppleve før vi opplever det.

Selv om "Tusen hjerner" er en flott frittstående bok, vil den bli best gledet og verdsatt hvis "På etterretning” leses først.

"A Thousand Brains" bygger på den nyeste forskningen fra Jeff Hawkins og selskapet han grunnla kalt numenta. Numenta har et primært mål om å utvikle en teori om hvordan neocortex fungerer, det sekundære målet er hvordan denne teorien om hjernen kan brukes på maskinlæring og maskinintelligens.

Numentas første store oppdagelse i 2010 innebærer hvordan nevroner lager spådommer, og den andre oppdagelsen i 2016 involverte kartlignende referanserammer i neocortex. Boken beskriver først og fremst hva "Thousand Brains theory" er, hva referanserammer er, og hvordan teorien fungerer i den virkelige verden. En av de mest grunnleggende komponentene bak denne teorien er å forstå hvordan neocortex utviklet seg til sin nåværende størrelse.

Neocortex startet i det små, lik andre pattedyr, men den vokste seg eksponentielt større (bare begrenset av størrelsen på fødselskanalen) ikke ved å lage noe nytt, men ved å kopiere en grunnleggende krets gjentatte ganger. I hovedsak er det som skiller mennesker ikke det organiske materialet i hjernen, men antallet kopier av de identiske elementene som danner neocortex.

Teorien utvikler seg videre til hvordan neocortex er dannet med omtrent 150,000 XNUMX kortikale søyler som ikke er synlige under et mikroskop da det ikke er noen synlige grenser mellom dem. Hvordan disse kortikale kolonnene kommuniserer med hverandre, er implementeringen av en grunnleggende algoritme som er ansvarlig for alle aspekter av persepsjon og intelligens.

Enda viktigere, boken avslører hvordan denne teorien kan brukes for å bygge intelligente maskiner, og mulige fremtidige implikasjoner for samfunnet. For eksempel lærer hjernen en modell av verden ved å observere hvordan input endres over tid, spesielt når bevegelse brukes. De kortikale kolonnene krever en referanseramme som er festet til et objekt, disse referanserammene lar en kortikal kolonne lære plasseringen av funksjoner som definerer virkeligheten til et objekt. I hovedsak kan referanserammer organisere alle typer kunnskap. Dette fører til den viktigste delen av denne banebrytende boken, kan referanserammer potensielt være det vitale manglende leddet for å bygge et mer avansert AI eller til og med et AGI-system? Jeff selv tror på en uunngåelig fremtid når en AGI vil lære modeller av verden ved å bruke kartlignende referanserammer som ligner neocortex, og han gjør en bemerkelsesverdig jobb med å illustrere hvorfor han tror dette.