Съдържание[Крия][Покажи]
Между другото, всички сме наясно колко бързо се разви технологията за машинно обучение през последните няколко години. Машинното обучение е дисциплина, която привлече интереса на няколко корпорации, академици и сектори.
Поради това ще обсъдя някои от най-великите книги за машинно обучение, които един инженер или начинаещ трябва да прочете днес. Сигурно всички сте се съгласили, че четенето на книги не е същото като използването на интелекта.
Четенето на книги помага на умовете ни да откриват много нови неща. В крайна сметка четенето е учене. Етикет за самообучаване е много забавно да имате. В тази статия ще бъдат подчертани най-добрите налични учебници в областта.
Следващите учебници предлагат изпитано въведение в по-голямата област на ИИ и често се използват в университетски курсове и се препоръчват както от академици, така и от инженери.
Дори и да имате много машинно обучение опит, вземането на един от тези учебници може да бъде страхотен начин да освежите. В крайна сметка ученето е непрекъснат процес.
1. Машинно обучение за абсолютно начинаещи
Бихте искали да изучавате машинно обучение, но не знаете как да го направите. Има няколко важни теоретични и статистически концепции, които трябва да разберете, преди да започнете своето епично пътуване в машинното обучение. И тази книга отговаря на тази нужда!
Предлага пълни новаци с високо ниво, приложимо въведение в машинното обучение. Книгата Машинно обучение за абсолютно начинаещи е един от най-добрите избори за всеки, който търси най-опростеното обяснение на машинното обучение и свързаните с него идеи.
Многобройните ml алгоритми в книгата са придружени от кратки обяснения и графични примери, за да помогнат на читателите да разберат всичко, което се обсъжда.
Теми, разгледани в книгата
- Основи на невронни мрежи
- Регресионен анализ
- Инженеринг на функциите
- Clustering
- Кръстосана проверка
- Техники за почистване на данни
- Дървета за вземане на решения
- Ансамбълно моделиране
2. Машинно обучение за манекени
Машинното обучение може да е объркваща идея за обикновените хора. Въпреки това, той е безценен за тези от нас, които са осведомени.
Без ML е трудно да се управляват проблеми като резултати от онлайн търсене, реклами в реално време на уеб страници, автоматизация или дори филтриране на спам (Да!).
В резултат на това тази книга ви предлага просто въведение, което ще ви помогне да научите повече за енигматичното царство на машинното обучение. С помощта на Machine Learning For Dummies ще научите как да „говорите“ езици като Python и R, което ще ви позволи да обучите компютрите да извършват разпознаване на модели и анализ на данни.
Освен това ще научите как да използвате Anaconda на Python и R Studio за разработка в R.
Теми, разгледани в книгата
- Подготовка на данни
- подходи за машинно обучение
- Цикълът на машинно обучение
- Учене под наблюдение и без наблюдение
- Обучаващи системи за машинно обучение
- Обвързване на методите за машинно обучение с резултатите
3. Книгата за машинно обучение със сто страници
Възможно ли е да се обхванат всички аспекти на машинното обучение на по-малко от 100 страници? Книгата за машинно обучение от сто страници на Андрий Бурков е опит да се направи същото.
Книгата за машинно обучение е добре написана и подкрепена от известни лидери на мисълта, включително Sujeet Varakhedi, ръководител на инженерния отдел в eBay, и Peter Norvig, директор на изследванията в Google.
Това е най-добрата книга за начинаещ в машинното обучение. След като прочетете внимателно книгата, вие ще можете да конструирате и разбирате сложни AI системи, да успеете в интервю за машинно обучение и дори да стартирате своя собствена компания, базирана на ML.
Книгата обаче не е предназначена за напълно начинаещи в машинното обучение. Потърси някъде, ако търсиш нещо по-фундаментално.
Теми, разгледани в книгата
- Анатомия на а алгоритъм за обучение
- Учене под надзор и обучение без надзор
- Укрепване на обучението
- Фундаментални алгоритми на машинното обучение
- Преглед на невронните мрежи и дълбокото обучение
4. Разбиране на машинното обучение
Систематично въведение в машинното обучение е предоставено в книгата Understanding Machine Learning. Книгата навлиза дълбоко в основополагащите идеи, изчислителните парадигми и математическите изводи на машинното обучение.
Обширна гама от теми за машинно обучение се представят по прост начин от машинното обучение. Теоретичните основи на машинното обучение са описани в книгата, заедно с математическите изводи, които превръщат тези основи в полезни алгоритми.
Книгата представя основите, преди да покрие широк кръг от важни теми, които не са били обхванати от предишни учебници.
В това са включени дискусия на концепциите за изпъкналост и стабилност и изчислителната сложност на ученето, както и важни алгоритмични парадигми като стохастични градиентно спускане, невронни мрежи и структурирано изходно обучение, както и нововъзникващи теоретични идеи като подхода на PAC-Bayes и граници, базирани на компресия. предназначени за начинаещи или напреднали студенти.
Теми, разгледани в книгата
- Изчислителната сложност на машинното обучение
- ML алгоритми
- Невронни мрежи
- PAC-Bayes подход
- Стохастично градиентно спускане
- Обучение със структурирани резултати
5. Въведение в машинното обучение с Python
Вие сте специалист по данни с Python, който иска да изучава машинно обучение? Най-добрата книга, с която да започнете своето приключение с машинно обучение, е Въведение в машинното обучение с Python: Ръководство за специалисти по данни.
С помощта на книгата Introduction to Machine Learning with Python: A Guide for Data Scientists ще откриете разнообразие от полезни техники за създаване на персонализирани програми за машинно обучение.
Ще покриете всяка важна стъпка, свързана с използването на Python и пакета Scikit-Learn за изграждане на надеждни приложения за машинно обучение.
Получаването на солидно разбиране на библиотеките matplotlib и NumPy ще направи ученето много по-лесно.
Теми, разгледани в книгата
- Съвременни техники за настройка на параметрите и оценка на модела
- Приложения и основни идеи за машинно обучение
- техники за автоматизирано обучение
- Техники за манипулиране на текстови данни
- Вериги на модели и конвейери за капсулиране на работния процес
- Представяне на данни след обработка
6. Практическо машинно обучение със Sci-kit learn, Keras & Tensorflow
Сред най-задълбочените публикации за наука за данни и машинно обучение, тя е пълна със знания. Препоръчително е както експертите, така и начинаещите да учат повече по тази тема.
Въпреки че тази книга съдържа само малко количество теория, тя е подкрепена със силни примери, което й осигурява място в списъка.
Тази книга включва различни теми, включително scikit-learn за проекти за машинно обучение и TensorFlow за създаване и обучение на невронни мрежи.
След като прочетете тази книга, смятаме, че ще бъдете по-добре подготвени да се задълбочите в нея дълбоко учене и се справят с практически проблеми.
Теми, разгледани в книгата
- Разгледайте пейзажа на машинното обучение, особено на невронните мрежи
- Проследете примерен проект за машинно обучение от началото до края с помощта на Scikit-Learn.
- Разгледайте няколко модела на обучение, като техники на ансамбъл, произволни гори, дървета на решения и машини за поддържащи вектори.
- Създавайте и обучавайте невронни мрежи, като използвате библиотеката TensorFlow.
- Помислете за конволюционни мрежи, повтарящи се мрежи и обучение с дълбоко укрепване, докато изследвате невронна мрежа дизайни.
- Научете как да мащабирате и обучавате дълбоки невронни мрежи.
7. Машинно обучение за хакери
За опитен програмист, който се интересува от анализ на данни, е написана книгата Машинно обучение за хакери. Хакерите са опитни математици в този контекст.
За някой със солидно разбиране на R, тази книга е чудесен избор, защото по-голямата част от нея е съсредоточена върху анализа на данни в R. Допълнително в книгата е разгледано как да се манипулират данни с помощта на усъвършенстван R.
Включването на уместни казуси подчертава стойността на използването на алгоритми за машинно обучение може да бъде най-значимата точка за продажба на книгата „Машинно обучение за хакери“.
Книгата дава много примери от реалния свят, за да направи машинното обучение по-лесно и по-бързо, вместо да навлиза по-дълбоко в математическата теория за него.
Теми, разгледани в книгата
- Създайте наивен байесов класификатор, който анализира просто съдържанието на имейл, за да определи дали е спам.
- Прогнозиране на броя показвания на страници за първите 1,000 уебсайта с помощта на линейна регресия
- Проучете методите за оптимизация, като се опитате да разбиете ясен буквен шифър.
8. Машинно обучение на Python с примери
Тази книга, която ви помага да разберете и създадете различни методи за машинно обучение, задълбочено обучение и анализ на данни, вероятно е единствената, която се фокусира само върху Python като език за програмиране.
Той обхваща няколко мощни библиотеки за внедряване на различни алгоритми за машинно обучение, като Scikit-Learn. След това модулът Tensor Flow се използва, за да ви научи на дълбоко обучение.
И накрая, той демонстрира многото възможности за анализ на данни, които могат да бъдат постигнати с помощта на машинно и дълбоко обучение.
Той също така ви учи на многобройни техники, които могат да се използват за увеличаване на ефективността на модела, който създавате.
Теми, разгледани в книгата
- Изучаване на Python и машинно обучение: Ръководство за начинаещи
- Проучване на набора от данни за 2 дискусионни групи и откриване на нежелана поща на Naive Bayes
- С помощта на SVM класифицирайте темите на новинарските истории Прогнозиране чрез кликване с помощта на алгоритми, базирани на дървета
- Прогноза за честотата на кликване с помощта на логистична регресия
- Използването на регресионни алгоритми за прогнозиране на най-високите стандарти на цените на акциите
9. Машинно обучение на Python
Книгата Python Machine Learning обяснява основите на машинното обучение, както и значението му в цифровата област. Това е книга за машинно обучение за начинаещи.
Освен това в книгата са разгледани много подполета и приложения на машинното обучение. Принципите на програмирането на Python и как да започнете с безплатния език за програмиране с отворен код също са разгледани в книгата за машинно обучение на Python.
След като завършите книгата за машинно обучение, ще можете ефективно да установявате редица работни места за машинно обучение, като използвате кодиране на Python.
Теми, разгледани в книгата
- Основи на изкуствения интелект
- дърво на решенията
- Логистична регресия
- Дълбочинни невронни мрежи
- Основи на езика за програмиране Python
10. Машинно обучение: Вероятностна перспектива
Machine Learning: A Probabilistic Perspective е хумористична книга за машинно обучение, която включва носталгични цветни графики и практически примери от реалния свят от дисциплини като биология, компютърно зрение, роботика и обработка на текст.
Той е пълен с непринудена проза и псевдокод за основни алгоритми. Machine Learning: A Probabilistic Perspective, за разлика от други публикации за машинно обучение, които са представени в стила на готварска книга и описват различни евристични подходи, се фокусира върху принципен подход, базиран на модел.
Той определя ml модели, използвайки графични изображения по ясен и разбираем начин. Въз основа на единен, вероятностен подход, този учебник предоставя пълно и самостоятелно въведение в областта на машинното обучение.
Съдържанието е както широко, така и задълбочено, включително основен основен материал по теми като вероятност, оптимизация и линейна алгебра, както и обсъждане на съвременни постижения в областта като условни произволни полета, L1 регуляризация и дълбоко обучение.
Книгата е написана на непринуден, достъпен език, съдържащ псевдокод за основните значими алгоритми.
Теми, разгледани в книгата
- вероятност
- Дълбоко обучение
- L1 регуларизация
- Оптимизация
- Обработка на текст
- Приложения за компютърно зрение
- Приложения за роботика
11. Елементите на статистическото обучение
Поради своята концептуална рамка и голямо разнообразие от предмети, този учебник по машинно обучение е често признат в тази област.
Тази книга може да се използва като справочник за всеки, който трябва да освежи теми като невронни мрежи и техники за тестване, както и просто въведение в машинното обучение.
Книгата агресивно подтиква читателя да прави свои собствени експерименти и разследвания на всяка крачка, което я прави ценна за култивиране на способностите и любопитството, необходими за постигане на уместен напредък в капацитет или работа за машинно обучение.
Това е важен инструмент за статистици и всеки, който се интересува от извличане на данни в бизнеса или науката. Уверете се, че разбирате поне линейната алгебра, преди да започнете тази книга.
Теми, разгледани в книгата
- Контролирано обучение (предсказание) към неконтролирано обучение
- Невронни мрежи
- Поддържайте векторни машини
- Класификационни дървета
- Алгоритми за усилване
12. Разпознаване на образи и машинно обучение
Световете на разпознаването на образи и машинното обучение могат да бъдат подробно изследвани в тази книга. Байесовият подход към разпознаването на образи първоначално беше представен в тази публикация.
Освен това книгата разглежда предизвикателни теми, които се нуждаят от работещо разбиране на многовариантност, наука за данни и фундаментална линейна алгебра.
Относно машинното обучение и вероятността справочникът предлага глави с прогресивно по-трудни нива на сложност въз основа на тенденциите в наборите от данни. Дадени са прости примери преди общо въведение в разпознаването на образи.
Книгата предлага техники за приблизителни изводи, които позволяват бързи приближения в случаите, когато точните решения са непрактични. Няма други книги, които използват графични модели за описание на вероятностните разпределения, но има.
Теми, разгледани в книгата
- Байесови методи
- Алгоритми за приблизителни изводи
- Нови модели, базирани на ядра
- Въведение в основната теория на вероятностите
- Въведение в разпознаването на образи и машинното обучение
13. Основи на машинното обучение от анализ на прогнозни данни
Ако сте усвоили основите на машинното обучение и искате да преминете към предсказуем анализ на данни, това е книгата за вас!!! Чрез намиране на модели от масивни набори от данни, машинното обучение може да се използва за разработване на модели за прогнозиране.
Тази книга разглежда прилагането на използването на ML Анализ на прогнозни данни задълбочено, включващо както теоретични принципи, така и реални примери.
Въпреки факта, че заглавието „Основи на машинното обучение за предсказуем анализ на данни“ е хапка, тази книга ще очертае пътуването на предсказуемия анализ на данни от данни до прозрение до заключение.
Той също така обсъжда четири подхода за машинно обучение: обучение, базирано на информация, обучение, базирано на подобие, обучение, базирано на вероятности, и обучение, базирано на грешки, всеки с нетехническо концептуално обяснение, последвано от математически модели и алгоритми с примери.
Теми, засегнати в книгата
- Информационно базирано обучение
- Обучение, базирано на подобие
- Обучение, основано на вероятности
- Обучение, базирано на грешки
14. Приложно прогнозно моделиране
Приложното прогнозно моделиране разглежда целия процес на прогнозно моделиране, започвайки с критичните фази на предварителна обработка на данни, разделяне на данни и основи за настройка на модела.
След това работата представя ясни описания на различни конвенционални и скорошни регресионни и класификационни подходи, с акцент върху показването и решаването на предизвикателства с данни в реалния свят.
Ръководството демонстрира всички аспекти на процеса на моделиране с няколко практически примера от реалния свят и всяка глава включва изчерпателен R код за всеки етап от процеса.
Този многофункционален том може да се използва като въведение в предсказуемите модели и целия процес на моделиране, като справочно ръководство за практици или като текст за напреднали курсове за предсказуемо моделиране на бакалавърско или магистърско ниво.
Теми, разгледани в книгата
- Техническа регресия
- Класификационна техника
- Сложни ML алгоритми
15. Машинно обучение: Изкуството и науката за алгоритмите, които осмислят данните
Ако сте средно ниво или експерт в машинното обучение и искате да се върнете „към основите“, тази книга е за вас! Той отдава пълна заслуга на огромната сложност и дълбочина на машинното обучение, като същевременно никога не изпуска от поглед неговите обединяващи принципи (доста голямо постижение!).
Machine Learning: The Art and Science of Algorithms включва няколко казуси с нарастваща сложност, както и множество примери и снимки (за да бъдат нещата интересни!).
Книгата също така обхваща широка гама от логически, геометрични и статистически модели, както и сложни и нови теми като матрична факторизация и ROC анализ.
Теми, разгледани в книгата
- Опростява алгоритмите за машинно обучение
- Логически модел
- Геометричен модел
- Статистически модел
- ROC анализ
16. Извличане на данни: Практически инструменти и техники за машинно обучение
Използвайки подходи от изучаването на системи от бази данни, машинно обучение и статистика, техниките за извличане на данни ни позволяват да открием модели в огромни количества данни.
Трябва да вземете книгата Извличане на данни: Практически инструменти и техники за машинно обучение, ако трябва да изучавате техники за извличане на данни по-специално или планирате да научите машинно обучение като цяло.
Най-добрата книга за машинно обучение се концентрира повече върху техническата си страна. Той навлиза по-нататък в техническите тънкости на машинното обучение и стратегии за събиране на данни и използване на различни входове и изходи за преценка на резултатите.
Теми, разгледани в книгата
- Линейни модели
- Clustering
- Статистическо моделиране
- Прогнозиране на ефективността
- Сравняване на методите за извличане на данни
- Обучение, базирано на екземпляри
- Представяне на знания и клъстери
- Традиционни и модерни техники за извличане на данни
17. Python за анализ на данни
Способността да се оценяват данните, използвани в машинното обучение, е най-важното умение, което един учен по данни трябва да притежава. Преди да разработите ML модел, който произвежда точна прогноза, по-голямата част от вашата работа ще включва обработка, обработка, почистване и оценка на данни.
Трябва да сте запознати с езици за програмиране като Pandas, NumPy, Ipython и други, за да извършвате анализ на данни.
Ако искате да работите в областта на науката за данни или машинното обучение, трябва да имате способността да манипулирате данни.
Определено трябва да прочетете книгата Python за анализ на данни в този случай.
Теми, разгледани в книгата
- Съществен Библиотеки на Питън
- Разширени панди
- Примери за анализ на данни
- Почистване и подготовка на данни
- Математически и статистически методи
- Обобщаване и изчисляване на описателни статистики
18. Обработка на естествен език с Python
Основата на системите за машинно обучение е обработката на естествен език.
Книгата Обработка на естествен език с Python ви инструктира как да използвате NLTK, много харесвана колекция от модули и инструменти на Python за символична и статистическа обработка на естествен език за английски и NLP като цяло.
Книгата Обработка на естествен език с Python предоставя ефективни процедури на Python, които демонстрират НЛП по кратък и очевиден начин.
Читателите имат достъп до добре анотирани набори от данни за работа с неструктурирани данни, текстово-лингвистична структура и други елементи, фокусирани върху НЛП.
Теми, разгледани в книгата
- Как функционира човешкият език?
- Езикови структури от данни
- Инструментариум за естествен език (NLTK)
- Разбор и семантичен анализ
- Популярни лингвистични бази данни
- Интегрирайте техники от изкуствен интелект и лингвистика
19. Програмиране на колективно разузнаване
Програмирането на колективния интелект от Тоби Сегаран, която се смята за една от най-великите книги за започване на разбирането на машинното обучение, е написана през 2007 г., години преди науката за данни и машинното обучение да постигнат настоящата си позиция като водещи професионални пътеки.
Книгата използва Python като метод за разпространение на своя опит сред публиката. Колективният интелект за програмиране е по-скоро ръководство за внедряване на ml, отколкото въведение в машинното обучение.
Книгата предоставя информация за разработването на ефективни ML алгоритми за събиране на данни от приложения, програмиране за получаване на данни от уебсайтове и екстраполиране на събраните данни.
Всяка глава включва дейности за разширяване на обсъжданите алгоритми и повишаване на тяхната полезност.
Теми, разгледани в книгата
- Байесово филтриране
- Поддържайте векторни машини
- Алгоритми на търсачките
- Начини за правене на прогнози
- Техники за съвместно филтриране
- Факторизация на неотрицателна матрица
- Развиваща се интелигентност за решаване на проблеми
- Методи за откриване на групи или модели
20. Задълбочено обучение (серия за адаптивно изчисление и машинно обучение)
Както всички знаем, дълбокото обучение е подобрен вид машинно обучение, което позволява на компютрите да се учат от минали резултати и голямо количество данни.
Докато използвате техники за машинно обучение, вие също трябва да сте запознати с принципите на задълбочено обучение. Тази книга, която се смята за Библията на дълбокото обучение, ще бъде много полезна при това обстоятелство.
Трима експерти по задълбочено обучение покриват изключително сложни теми, които са пълни с математика и дълбоки генеративни модели в тази книга.
Осигурявайки математическа и концептуална основа, работата обсъжда уместни идеи в линейната алгебра, теорията на вероятностите, теорията на информацията, числените изчисления и машинното обучение.
Той разглежда приложения като обработка на естествен език, разпознаване на реч, компютърно зрение, онлайн системи за препоръки, биоинформатика и видеоигри и описва техники за задълбочено обучение, използвани от практикуващите в индустрията, като мрежи за дълбоко предаване, регулиране и алгоритми за оптимизация, конволюционни мрежи и практическа методология .
Теми, разгледани в книгата
- Числово изчисление
- Изследване на дълбоко обучение
- Техники за компютърно зрение
- Deep Feedforward мрежи
- Оптимизация за обучение на дълбоки модели
- Практическа методика
- Изследване на дълбоко обучение
Заключение
20-те най-добри книги за машинно обучение са обобщени в този списък, който можете да използвате, за да напреднете в машинното обучение в желаната от вас посока.
Ще можете да развиете солидна основа в експертизата в машинното обучение и справочна библиотека, която можете да използвате често, докато работите в областта, ако прочетете различни от тези учебници.
Ще бъдете вдъхновени да продължите да учите, да ставате по-добри и да имате ефект, дори ако сте прочели само една книга.
Когато сте подготвени и компетентни да разработите свои собствени алгоритми за машинно обучение, имайте предвид, че данните са жизненоважни за успеха на вашия проект.
Оставете коментар