L’apprendimento automatico ha guadagnato una notevole popolarità negli ultimi anni. Gli esperti del settore prevedono che il Machine Learning, e l’Intelligenza Artificiale in generale, avranno un impatto sull’umanità paragonabile a quello di internet o dei processori.
Se sei interessato ad approfondire il Machine Learning, sei nel posto giusto. Questo articolo offre una panoramica dei migliori testi di apprendimento automatico per studenti universitari e laureati.
Cos’è l’apprendimento automatico?
L’apprendimento automatico si riferisce allo sviluppo e all’utilizzo di algoritmi che permettono alle macchine di imparare a svolgere compiti senza essere esplicitamente programmate per ciascuna attività.
Il Machine Learning è un campo specifico dell’Intelligenza Artificiale. L’Intelligenza Artificiale, in termini più ampi, si occupa dello sviluppo di comportamenti intelligenti nei sistemi informatici. L’apprendimento automatico si concentra su una particolare area dell’intelligenza artificiale: l’apprendimento.
Come viene impiegato l’apprendimento automatico?
I computer hanno sempre superato gli esseri umani in termini di capacità di elaborazione su vasta scala. Un computer è in grado di eseguire grandi quantità di lavoro con elevata precisione e rapidità. Tuttavia, le capacità dei computer erano limitate ai compiti per i quali gli esseri umani potevano scrivere istruzioni dettagliate. In pratica, eravamo noi il collo di bottiglia nel potenziale dei computer.
Con l’avvento del Machine Learning, i computer non sono più vincolati dalle sole azioni che gli esseri umani sanno descrivere. Questo permette loro di svolgere compiti che prima consideravamo impossibili o troppo complessi da codificare, come ad esempio:
- Guidare veicoli (autopilota Tesla, Waymo)
- Identificare oggetti in immagini (SAM)
- Generare contenuti grafici (DALL-E)
- Generare testi (ChatGPT)
- Tradurre testi (Google Traduttore)
- Giocare (MindGo)
Perché studiare l’intelligenza artificiale attraverso i libri
I libri offrono un’immersione molto più profonda nel tema rispetto ad altre risorse di apprendimento. I libri sono il risultato di un processo di scrittura e revisione approfondito, in cui le frasi vengono rielaborate per garantire la massima chiarezza.
Il risultato è una prosa ben scritta che esprime le idee nel modo più efficace possibile. La mia preferenza personale per le risorse testuali si basa sulla facilità con cui è possibile fare riferimento e rivisitare concetti specifici, cosa più difficile con le risorse video come tutorial e corsi. Esploriamo quindi i migliori libri per studiare l’apprendimento automatico.
Il libro di cento pagine sull’apprendimento automatico
“The Hundred-Page Machine Learning Book” è, come suggerisce il titolo, un libro che introduce al Machine Learning in sole 100 pagine. A causa della sua brevità, il libro fornisce solo una panoramica dell’argomento senza approfondire eccessivamente i dettagli tecnici.
È ideale per i principianti, in quanto copre i concetti fondamentali del campo, come l’apprendimento supervisionato e non supervisionato, i metodi ensemble, le macchine a vettori di supporto e la discesa del gradiente.
L’autore è Andriy Burkov, uno specialista in elaborazione del linguaggio naturale con un dottorato di ricerca in Intelligenza Artificiale.
Apprendimento automatico per principianti assoluti
Scritto da Oliver Theobald, questo è uno dei testi introduttivi all’apprendimento automatico più accessibili disponibili.
Questo libro offre un’introduzione all’apprendimento automatico, senza presupporre alcuna conoscenza di programmazione. Le spiegazioni sono chiare e concise, supportate da ausili grafici per facilitare la comprensione.
Nonostante l’approccio semplificato, il libro introduce anche i concetti di programmazione, con esercizi di codice scaricabili e tutorial video di approfondimento. Tuttavia, è importante sottolineare che questo libro da solo non farà di te un esperto di Machine Learning. Sarà necessario integrare lo studio con altre risorse.
Apprendimento profondo
Questo libro è probabilmente il più completo che si possa trovare sull’argomento del Deep Learning. È stato scritto da un team di esperti, tra cui Ian Goodfellow, ricercatore che ha sviluppato le Generative Adversarial Networks.
Il testo introduce ai concetti matematici fondamentali necessari per comprendere il deep learning, tra cui l’algebra lineare, la teoria della probabilità, la teoria dell’informazione e il calcolo numerico.
Il libro esamina i diversi tipi di reti utilizzate nell’apprendimento profondo, incluse le reti feedforward profonde, le reti neurali convoluzionali e le reti di ottimizzazione. Elon Musk ha definito questo libro l’unico testo completo sull’argomento.
Un’introduzione all’apprendimento statistico
“Un’introduzione all’apprendimento statistico” offre una panoramica del campo dell’apprendimento statistico, un sottoinsieme del machine learning che comprende metodi di apprendimento come regressioni lineari, classificazione e macchine a vettori di supporto.
Il libro tratta tutte queste tecniche, supportandole con esempi del mondo reale e concentrandosi sull’implementazione dei concetti appresi in R, un linguaggio di programmazione molto utilizzato per il calcolo statistico nell’apprendimento automatico.
Gli autori sono Trevor Hastie, Robert Tibshirani, Daniela Witten e Gartehm James, tutti professori di statistica. Nonostante le solide basi statistiche, il libro è adatto sia a chi ha competenze di statistica, sia a chi non ne ha.
Programmare l’intelligenza collettiva
“Programming Collective Intelligence” è un manuale utile per gli sviluppatori di software che vogliono creare applicazioni basate su data mining e apprendimento automatico.
Il libro spiega il funzionamento di sistemi di raccomandazione, clustering, motori di ricerca e algoritmi di ottimizzazione, tra gli altri. Include esempi di codice sintetici ed esercizi per mettere in pratica i concetti.
L’autore è Toby Segaran, che ha scritto anche “Programming the Semantic Web” e “Beautiful Data”.
Fondamenti di Machine Learning per l’analisi predittiva dei dati
Questo libro introduce gli approcci fondamentali del Machine Learning utilizzati per fare previsioni. Prima di esaminare le applicazioni pratiche, offre una panoramica dei concetti teorici di base.
Il libro spiega come utilizzare l’apprendimento automatico per fare previsioni sui prezzi, valutazioni di rischio, previsioni del comportamento dei clienti e classificazione dei documenti.
Il testo tratta i quattro approcci all’apprendimento automatico: apprendimento basato sulle informazioni, apprendimento basato sugli errori, apprendimento basato sulla somiglianza e apprendimento basato sulla probabilità. Gli autori sono John D. Kelleher, Brian Mac Namee e Aoife D’Arcy.
Comprendere l’apprendimento automatico: dalla teoria agli algoritmi
Questo testo introduce l’apprendimento automatico e gli algoritmi che lo rendono possibile. Fornisce una panoramica teorica dei fondamenti dell’apprendimento automatico e della sua derivazione matematica.
Inoltre, mostra come questi principi fondamentali si traducono in algoritmi e codice, tra cui la discesa del gradiente stocastico, le reti neurali e l’apprendimento strutturato dell’output.
Gli autori sono Shai Shalev-Shwartz e Shai Ben-David, e il libro è pensato per laureati e studenti universitari di livello avanzato. Una copia cartacea è disponibile su Amazon, mentre una versione online gratuita è disponibile per il download a scopi non commerciali.
Apprendimento automatico per hacker
“Machine Learning for Hackers” è un libro rivolto a programmatori esperti. Introduce l’apprendimento automatico in modo pratico e concreto, tramite casi di studio anziché l’approccio matematico più teorico di altri testi.
Il libro è suddiviso in capitoli dedicati a specifiche aree dell’apprendimento automatico, come la classificazione, la previsione, l’ottimizzazione e i sistemi di raccomandazione.
L’implementazione dei modelli viene effettuata in linguaggio R, con progetti interessanti come la creazione di un filtro anti-spam, un predittore di visualizzazioni di pagine web e la decifrazione di crittografie monoalfabetiche.
Gli autori sono Drew Conway e John Myles White, co-autori anche di un altro libro, “Machine Learning for Email”.
Apprendimento automatico pratico con R
“Hands-On Machine Learning” descrive come implementare diversi algoritmi come quelli di clustering, autoencoder, foreste casuali, reti neurali profonde e molti altri. L’implementazione viene eseguita utilizzando il linguaggio di programmazione R e diversi pacchetti del suo ecosistema.
Questo libro non è un tutorial sul linguaggio R, pertanto si presume che il lettore abbia già familiarità con la programmazione in questo linguaggio. Una copia cartacea è disponibile su Amazon, mentre una versione online è liberamente accessibile.
Apprendimento automatico in Python
Questo libro introduce l’apprendimento automatico e la sua implementazione in Python. Inizia con le librerie di base come NumPy per il calcolo numerico e Pandas per la gestione dei dati tabulari.
Poi introduce librerie come scikit-learn, utilizzata per creare modelli di apprendimento automatico. Il libro tratta anche la visualizzazione dei dati con Matplotlib e spiega algoritmi come regressione, clustering e classificazione, oltre a descrivere come implementare i modelli.
Nel complesso, questo libro fornisce un’introduzione completa all’apprendimento automatico per permettere ai lettori di iniziare a implementare i propri modelli e integrali nelle loro applicazioni. L’autore è Weng Meng Lee, fondatore di Developer Learning Solutions.
Machine Learning interpretabile con Python
“Interpretable Machine Learning with Python” è una guida completa all’apprendimento automatico, che offre una panoramica dei modelli di apprendimento automatico e di come mitigare i rischi di previsione e migliorare l’interpretabilità attraverso esempi pratici e implementazioni di codice dettagliate.
Il libro introduce i fondamenti dell’interpretabilità, diversi tipi di modelli, metodi di interpretazione e tecniche di tuning, fornendo ai lettori le conoscenze e le competenze necessarie per migliorare i modelli di apprendimento automatico. L’autore è Serg Masís, uno scienziato dei dati climatici e agronomici.
Considerazioni finali
Questo elenco di libri non è esaustivo, ma questi sono alcuni dei migliori testi che possono aiutare ad apprendere l’apprendimento automatico a livello universitario. Nonostante gran parte dell’intelligenza artificiale venga implementata con il codice, non è sempre necessario scrivere codice. Sono disponibili molti strumenti di intelligenza artificiale no-code per semplificare lo sviluppo.
Per approfondire, si consiglia di esplorare anche le piattaforme di apprendimento automatico low-code e no-code.