Hodnotenie:
Kniha je ucelenou zbierkou literatúry o transferovom učení, ktorú napísali viacerí odborníci v tejto oblasti. Hoci pokrýva široké spektrum aplikácií a základných tém, jej štruktúra bola kritizovaná za nedostatočnú koherentnosť kvôli množstvu zúčastnených autorov. Každá kapitola je stručná a vo veľkej miere odkazuje na pôvodné práce, čo nemusí byť vhodné pre inžinierov, ktorí hľadajú praktický návod.
Výhody:⬤ Aktuálne a relevantné k súčasným trendom v strojovom učení
⬤ napísané odborníkmi
⬤ pokrýva širokú škálu aplikácií a základných tém.
⬤ Chýba súdržnosť kvôli viacerým autorom
⬤ pôsobí skôr ako zbierka prehľadov literatúry než ako ucelený príbeh
⬤ kapitoly sú krátke s množstvom odkazov na pôvodné práce, čo si vyžaduje ďalšie čítanie na pochopenie.
(na základe 2 čitateľských recenzií)
Transfer Learning
Transferové učenie sa zaoberá tým, ako sa systémy môžu rýchlo prispôsobiť novým situáciám, úlohám a prostrediam. Poskytuje systémom strojového učenia schopnosť využívať pomocné údaje a modely na pomoc pri riešení cieľových problémov, keď je k dispozícii len malé množstvo údajov.
Vďaka tomu sú takéto systémy spoľahlivejšie a robustnejšie, pričom model strojového učenia, ktorý čelí nepredvídateľným zmenám, sa príliš neodchyľuje od očakávaného výkonu. Na podnikovej úrovni umožňuje transferové učenie opätovné využitie znalostí, takže raz získané skúsenosti možno opakovane použiť v reálnom svete. Napríklad vopred natrénovaný model, ktorý zohľadňuje súkromie používateľov, sa môže stiahnuť a prispôsobiť na okraji počítačovej siete.
Tento samostatný, komplexný referenčný text opisuje štandardné algoritmy a ukazuje, ako sa používajú v rôznych paradigmách transferového učenia. Ponúka solídne základy pre nováčikov, ako aj nové poznatky pre skúsených výskumníkov a vývojárov.
