मशीन लर्निंग को समझना: थ्योरी से एल्गोरिद्म तक [449p मुफ़्त eBook]

 (cs.huji.ac.il)
2 पॉइंट द्वारा GN⁺ 2025-04-06 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • Shai Shalev-Shwartz और Shai Ben-David द्वारा लिखी गई "Understanding Machine Learning" 2014 में Cambridge University Press द्वारा प्रकाशित एक पुस्तक है
  • यह मशीन लर्निंग की सैद्धांतिक पृष्ठभूमि और एल्गोरिद्म पर चर्चा करती है
  • Cambridge University Press की अनुमति से पांडुलिपि का PDF प्रकाशित किया गया है, और इसे केवल व्यक्तिगत उपयोग के लिए डाउनलोड किया जा सकता है
  • पुनर्वितरण के लिए नहीं

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2025-04-06
Hacker News की राय

  • अगर आप machine learning को समझना चाहते हैं, तो Josh Starmer की "The StatQuest Illustrated Guide to Machine Learning" की सिफारिश की जाती है

    • Starmer जटिल विचारों को स्पष्ट और संक्षिप्त रूप में समझाने वाले बेहतरीन शिक्षक हैं
    • यह किताब बच्चों की किताब की तरह आसानी से पढ़ी और समझी जा सकने वाली शैली में लिखी गई है
    • उन्होंने neural networks पर भी एक किताब प्रकाशित की है, जो विशेषज्ञों के लिए भी उपयोगी शिक्षण और संचार विधियाँ प्रदान करती है

  • अगर आप machine learning की बुनियाद समझना चाहते हैं, तो Stanford की "Probability for computer scientists" की सिफारिश की जाती है

    • यह probability theory और machine learning की सैद्धांतिक नींव को कवर करती है
    • Andrew Ng के lectures भी मशहूर हैं, लेकिन उनके लिए गणितीय पृष्ठभूमि ज्ञान की ज़रूरत होती है
    • CS109 की lecture materials को PDF के रूप में डाउनलोड किया जा सकता है
    • Caltech का "Learning from Data" भी सैद्धांतिक समझ के लिए अच्छा है
    • अगर आप neural networks को बुनियाद से समझना चाहते हैं, तो "Neural networks zero to hero" की सिफारिश की जाती है

  • Bloomberg का machine learning lecture व्यक्तिगत रूप से सबसे पसंदीदा lecture है

  • अगर आप आधुनिक generative AI सीखना चाहते हैं, तो "udlbook" की सिफारिश की जाती है

  • सवाल है कि अगर कोई software engineer research नहीं कर रहा है, तो क्या उसे machine learning concepts को गहराई से समझने की ज़रूरत है

    • AI/ML को लागू करने के लिए आवश्यक business gap महसूस हो रहा है
    • बुनियादी business के लिए उपयुक्त model खुद विकसित करने की बजाय, मौजूदा model को थोड़ा fine-tune करना अधिक उपयुक्त हो सकता है

  • machine learning theory की शुरुआती किताबों में statistical learning theory सबसे अधिक सुलभ है

  • ML models की सबसे बड़ी चुनौती algorithm नहीं, बल्कि contextual knowledge का संगठन है

    • दस्तावेज़ों की hierarchical structuring परिणामों में बड़ा सुधार लाती है

  • बहुत पहले पढ़ी गई यह किताब सैद्धांतिक है और applications पर लगभग कोई ध्यान नहीं देती

    • 2014 में प्रकाशित यह किताब अब outdated है
    • गणितीय theory वास्तव में उपयोगी नहीं है, और practical approach अधिक महत्वपूर्ण है
    • machine learning, mathematics या theoretical computer science नहीं, बल्कि engineering का एक क्षेत्र है

  • यह किताब 2014 में प्रकाशित हुई थी, इसलिए इसकी मौजूदा relevance पर संदेह है

  • चूँकि किताब 10 साल पहले प्रकाशित हुई थी, इसलिए इसे outdated माना जा रहा है