Synthetic Data and Generative AI
Синтетические данные и генеративный искусственный интеллект
Год издания: 2024
Автор: Granville Vincent
Жанр или тематика: AI
Издательство: Morgan Kaufmann;
ISBN: 978-0443218576
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Количество страниц: 410
Description: Synthetic Data and Generative AI covers the foundations of machine learning with modern approaches to solving complex problems and the systematic generation and use of synthetic data. Emphasis is on scalability, automation, testing, optimizing, and interpretability (explainable AI). For instance, regression techniques – including logistic and Lasso – are presented as a single method without using advanced linear algebra. Confidence regions and prediction intervals are built using parametric bootstrap without statistical models or probability distributions. Models (including generative models and mixtures) are mostly used to create rich synthetic data to test and benchmark various methods.
Emphasizes numerical stability and performance of algorithms (computational complexity)
Focuses on explainable AI/interpretable machine learning, with heavy use of synthetic data and generative models, a new trend in the field
Includes new, easier construction of confidence regions, without statistics, a simple alternative to the powerful, well-known XGBoost technique
Covers automation of data cleaning, favoring easier solutions when possible
Includes chapters dedicated fully to synthetic data applications: fractal-like terrain generation with the diamond-square algorithm, and synthetic star clusters evolving over time and bound by gravity
Описание: Синтетические данные и генеративный искусственный интеллект охватывают основы машинного обучения, современные подходы к решению сложных проблем, а также систематическое генерирование и использование синтетических данных. Особое внимание уделяется масштабируемости, автоматизации, тестированию, оптимизации и интерпретируемости (объяснимый ИИ). Например, методы регрессии, включая логистику и лассо, представлены как единый метод без использования расширенной линейной алгебры. Доверительные области и интервалы прогнозирования строятся с использованием параметрического бутстрапа без статистических моделей или распределений вероятностей. Модели (включая генеративные модели и их смеси) в основном используются для создания обширных синтетических данных для тестирования и сравнительного анализа различных методов.
Подчеркивает численную стабильность и производительность алгоритмов (вычислительная сложность).
Основное внимание уделяется объяснимому искусственному интеллекту/интерпретируемому машинному обучению с интенсивным использованием синтетических данных и генеративных моделей — новой тенденции в этой области.
Включает новое, более простое построение доверительных областей без статистики, простую альтернативу мощному, известному методу XGBoost.
Охватывает автоматизацию очистки данных, по возможности отдавая предпочтение более простым решениям.
Включает главы, полностью посвященные приложениям синтетических данных: создание фрактальной местности с помощью алгоритма «ромб-квадрат» и синтетические звездные скопления, развивающиеся с течением времени и связанные гравитацией.
Опубликовано группой
Synthetic Data and Generative AI
Примеры страниц (скриншоты)
Примеры страниц (скриншоты)
