（转自：机器之心）

知名 AI 技术博主、《Python 机器学习》作者 Sebastian Raschka 又来放福利了！

今天，他宣布，正值夏季实习和技术面试之际，自己著作《机器学习 Q 与 AI：30 个必备问答》的全部 30 章内容免费开放。他希望能为大家带来帮助，并祝面试的小伙伴好运。

这本书纸质版（+ 电子版）原价 49.99 美元（约合 358 元），电子版原价 39.9 美元（约合 286 元）。

如今，机器学习和人工智能领域正以前所未有的速度发展。研究人员和从业者常常疲于追赶层出不穷的概念与技术。

本书为你的成长旅途提供了碎片化的知识精华 —— 从机器学习新手到专家，涵盖多个领域的主题。即便是经验丰富的机器学习研究者和从业者，也能从中发现可纳入自身技能库的新内容。

评论区有人问，「这本书是用 AI 写的吗？」Sebastian 称当然不是，这样做违背他的个人伦理。有趣的是：这本书的大部分内容写于 2022 年 11 月第一版 ChatGPT 发布前的几个月，最开始是在 LeanPub 上发布，后来在 2024 年由 No Starch 出版社出版。这本书可能曾是 ChatGPT 的训练数据。

Sebastian 还链接到了自己 2023 年 1 月关于本书的一则动态，他向书中添加了很多新内容，包括无状态与有状态训练、恰当评估指标以及有限标注数据。

Sebastian 的这本书收获了很多普通读者与业界同行的好评。

《Designing Machine Learning Systems》一书的作者 Chip Huyen 表示，「Sebastian 独特地融合了学术深度、工程敏捷性以及化繁为简的能力。他能深入探讨任何理论主题，通过实验验证新想法，然后用简单的语言向你解释清楚。如果你正开启机器学习之旅，这本书就是你的向导。」

《How AI Works》一书的作者 Ronald T. Kneusel 称，Sebastian 的书籍《机器学习 Q 和 AI》，是关于大多数入门课程未涵盖的关键 AI 主题概述的一站式指南…… 如果你已经通过深度神经网络踏入了 AI 世界，那么这本书将为你提供定位和理解下一阶段所需的知识。

接下来，我们看看这本书涵盖了哪些内容。

书籍介绍

本书共有 5 大部分，30 个章节。

第一部分讲「神经网络和机器学习」，包括如下主题：

第 1 章：嵌入、隐空间与表征。

深入解析嵌入向量、隐向量与表示的异同，阐述这些概念如何帮助机器学习模型编码信息。

第 2 章：自监督学习。

聚焦自监督学习方法，该技术使神经网络能够以监督学习的方式利用大规模无标注数据集。

第 3 章：少样本学习。

介绍专为小规模训练数据集设计的监督学习技术 —— 少样本学习。

第 4 章：彩票假设。

探讨「随机初始化的神经网络中包含更小的有效子网络」这一理论。

第 5 章：利用数据减少过拟合。

针对机器学习中的过拟合问题，讨论以数据增强和无标注数据利用为核心的解决方案。

第 6 章：通过模型修改减少过拟合。

延续过拟合讨论，重点分析正则化、简化模型结构和集成学习等模型层面的解决方法。

第 7 章：多 GPU 训练范式。

详解数据并行与模型并行等多 GPU 加速训练方案。

第 8 章：Transformers 的成功。

解析 Transformer 架构流行起来的原因，包括注意力机制、并行化优势和高参数量等关键特性。

第 9 章：生成式 AI 模型。

全面综述能生成图像、文本和音频等多媒体内容的深度生成模型，分析各类模型的优缺点。

第 10 章：随机性来源。

剖析深度神经网络训练中可能导致结果不一致的随机性因素（包括训练和推理阶段）。这些随机性既可能来自意外因素，也可能是设计者有意引入。

第二部分讲「计算机视觉」，包含如下主题：

第 11 章：计算参数量。

详细解析卷积神经网络（CNN）中参数量的计算方法，该技术对于评估模型的存储与内存需求至关重要。

第 12 章：全连接层和卷积层。

探讨卷积层在何种场景下可完全替代全连接层，这对硬件优化或模型简化具有重要实践价值。

第 13 章：ViT（Vision Transformers）的大型训练集。

深入研究视觉 Transformer（ViT）相比传统卷积神经网络（CNN）为何需要更大量训练数据的内在机理。

第三部分讲「自然语言处理」，包含如下主题：

第 14 章：分布假说。

深入探讨分布假说，该语言学理论认为，出现在相同上下文中的词语往往具有相似含义，这一理论对机器学习模型的训练具有重要指导意义。

第 15 章：文本数据增强。

重点介绍文本数据增强技术，该方法通过人工扩展数据集规模，能有效提升模型性能。

第 16 章：自注意力。

解析自注意力机制，该技术使神经网络的每个输入片段都能与其他部分建立关联，是现代大语言模型的核心组件。

第 17 章：编码器 — 解码器风格的 Transformers。

详细对比编码器和解码器两类 Transformer 架构的差异，并阐明不同架构在各类语言处理任务中的适用场景。

第 18 章：使用和微调预训练 Transformers。

系统阐述预训练大语言模型的微调方法，并分析不同方法的优势与局限性。

第 19 章：评估生成式大语言模型。

列举困惑度（Perplexity）、BLEU、ROUGE 和 BERTScore 等主流语言模型评估指标。

第四部分讲「生产和部署」，包含如下主题：

第 20 章：无状态和有状态训练。

区分模型部署中使用的无状态与有状态训练方法，阐明两者在实时推理与持续学习中的不同应用场景。

第 21 章：以数据为中心的 AI。

探讨以数据为中心的 AI 范式，该范式通过优化数据集（而非调整模型架构）来提升性能，与传统以模型为中心（Model-Centric）的方法形成鲜明对比。

第 22 章：加速推理。

介绍不改变模型架构且不损失精度的推理加速方法，包括模型量化、知识蒸馏等关键技术。

第 23 章：数据分布偏移。

解析 AI 模型部署后可能面临的训练数据与实际数据分布偏移问题，系统分类并阐述以下常见偏移类型：协变量偏移、概念漂移、标签偏移和领域偏移。

第五部分讲「预测性能和模型评估」，包含如下主题：

第 24 章：泊松回归与有序回归。

重点解析泊松回归与有序回归的区别，泊松回归适用于符合泊松分布的计数数据（如飞机上感冒感染人数），而有序回归则针对有序分类数据（如疾病严重程度分级），且不预设类别间距相等。

第 25 章：置信区间。

深入探讨机器学习分类器置信区间的构建方法，首先阐述置信区间的核心作用 —— 估计未知总体参数，随后系统介绍三大关键技术：正态近似区间法、自助法以及多随机种子重训练法。

第 26 章：置信区间 vs. 保形预测。

深入辨析置信区间与保形预测的本质差异：置信区间聚焦参数估计的不确定性，而保形预测则是构建具有确定概率保证（如 95%）的预测区间，确保能够覆盖真实观测值的关键技术。

第 27 章：恰当评估指标。

着重阐释优秀评估指标在数学与计算机科学领域应具备的核心特性，并系统验证机器学习常用损失函数（如均方误差 MSE、交叉熵损失 Cross-Entropy Loss）是否符合这些特性。

第 28 章：k 折交叉验证中的 k。

深入探讨 k 折交叉验证中 k 值参数的核心作用，系统性地分析选择较大 k 值时需要权衡的利弊关系。

第 29 章：训练集与测试集分布差异。

针对模型在测试集上表现优于训练集的情况，本文提出了解决方案。通过分析训练集与测试集之间的分布差异，介绍了对抗验证的概念及其应用策略，以识别并解决两类数据集间的偏差问题。

第 30 章：有限标注数据。

介绍在数据有限的情况下提升模型性能的多种技术方法，涵盖数据标注、自助采样以及迁移学习、主动学习和多模态学习等范式，以有效应对小样本场景下的机器学习挑战。

• 书籍链接：https://sebastianraschka.com/books/ml-q-and-ai/#table-of-contents

• GitHub 地址：https://github.com/rasbt/MachineLearning-QandAI-book