Memahami Machine Learning: Dari Teori hingga Algoritme [e-book gratis 449 halaman]

• "Understanding Machine Learning" yang ditulis oleh Shai Shalev-Shwartz dan Shai Ben-David adalah buku yang diterbitkan oleh Cambridge University Press pada tahun 2014
• Membahas latar belakang teoretis dan algoritme machine learning.
• Dengan izin dari Cambridge University Press, PDF naskahnya telah dipublikasikan dan hanya dapat diunduh untuk penggunaan pribadi
• Bukan untuk didistribusikan

[GN⁺]

Komentar Hacker News

• Jika ingin memahami machine learning, saya merekomendasikan "The StatQuest Illustrated Guide to Machine Learning" karya Josh Starmer

  • Starmer adalah pengajar hebat yang mampu menjelaskan ide-ide kompleks dengan jelas dan ringkas
  • Buku ini ditulis dalam format yang mudah dibaca dan dipahami, seperti buku anak-anak
  • Ia juga telah menerbitkan buku tentang neural network, dan menawarkan metode pengajaran serta komunikasi yang bermanfaat bahkan bagi para ahli

• Jika ingin memahami dasar-dasar machine learning, saya merekomendasikan "Probability for computer scientists" dari Stanford

  • Membahas teori probabilitas dan landasan teoretis machine learning
  • Kuliah Andrew Ng juga terkenal, tetapi memerlukan latar belakang matematika
  • Materi kuliah CS109 dapat diunduh dalam bentuk PDF
  • "Learning from Data" dari Caltech juga bagus untuk pemahaman teoretis
  • Jika ingin memahami neural network dari dasar, saya merekomendasikan "Neural networks zero to hero"

• Kuliah machine learning dari Bloomberg secara pribadi adalah kuliah favorit saya

• Jika ingin mempelajari generative AI modern, saya merekomendasikan "udlbook"

• Saya bertanya-tanya apakah software engineer yang tidak melakukan riset benar-benar perlu memahami konsep machine learning secara mendalam

  • Saya merasakan adanya kesenjangan bisnis yang diperlukan untuk mengimplementasikan AI/ML
  • Untuk bisnis dasar, mungkin lebih tepat sedikit menyesuaikan model yang sudah ada daripada mengembangkan model sendiri

• Sebagai buku pengantar teori machine learning, teori pembelajaran statistik adalah yang paling mudah diakses

• Tantangan terbesar model ML bukanlah algoritme, melainkan pengorganisasian pengetahuan kontekstual

  • Menyusun dokumen secara hierarkis sangat meningkatkan hasil

• Buku yang saya baca lama dulu bersifat teoretis dan hampir tidak berfokus pada penerapan

  • Buku itu diterbitkan pada 2014 dan kini sudah ketinggalan zaman
  • Teori matematika pada praktiknya tidak terlalu berguna, dan pendekatan praktis lebih penting
  • Machine learning bukan matematika atau ilmu komputer teoretis, melainkan salah satu cabang rekayasa

• Buku ini diterbitkan pada 2014, jadi saya ragu masih relevan saat ini

• Buku ini terbit 10 tahun lalu, jadi saya pikir sudah ketinggalan zaman