Sadržaj[Sakrij][Prikaži]
Inače, svi smo svjesni koliko se brzo razvila tehnologija strojnog učenja u posljednjih nekoliko godina. Mašinsko učenje je disciplina koja je privukla interesovanje nekoliko korporacija, akademika i sektora.
Zbog toga ću raspravljati o nekim od najvećih knjiga o mašinskom učenju koje bi inženjer ili početnik trebao pročitati danas. Sigurno ste se svi složili da čitanje knjiga nije isto što i korištenje intelekta.
Čitanje knjiga pomaže našem umu da otkrije mnogo novih stvari. Čitanje je ipak učenje. Zabavno je imati oznaku za samoučenje. U ovom članku biće istaknuti najveći dostupni udžbenici u ovoj oblasti.
Sljedeći udžbenici nude isproban i pravi uvod u šire polje AI i često se koriste na univerzitetskim kursevima i preporučuju ih akademci i inženjeri.
Čak i ako imate tonu mašinsko učenje iskustvo, preuzimanje jednog od ovih udžbenika mogao bi biti sjajan način da se obnovite. Na kraju krajeva, učenje je kontinuiran proces.
1. Mašinsko učenje za apsolutne početnike
Željeli biste studirati mašinsko učenje, ali ne znate kako to učiniti. Postoji nekoliko ključnih teorijskih i statističkih koncepata koje biste trebali razumjeti prije nego što započnete svoje epsko putovanje u strojno učenje. I ova knjiga ispunjava tu potrebu!
Nudi potpune početnike s visokom razinom, primjenjivo uvod u mašinsko učenje. Knjiga Mašinsko učenje za apsolutne početnike jedan je od najboljih izbora za sve koji traže najjednostavnije objašnjenje mašinskog učenja i povezanih ideja.
Brojni ml algoritmi u knjizi popraćeni su sažetim objašnjenjima i grafičkim primjerima koji pomažu čitaocima da razumiju sve o čemu se govori.
Teme obrađene u knjizi
- Osnove neuronske mreže
- Regresijska analiza
- Inženjering karakteristika
- clustering
- Unakrsna provjera valjanosti
- Tehnike pročišćavanja podataka
- Stabla odlučivanja
- Ansambl modeliranje
2. Mašinsko učenje za lutke
Mašinsko učenje može biti zbunjujuća ideja za obične ljude. Međutim, to je neprocjenjivo za nas koji smo upućeni.
Bez ML-a, teško je upravljati problemima kao što su rezultati pretraživanja na mreži, reklame u realnom vremenu na web stranicama, automatizacija ili čak filtriranje neželjene pošte (Da!).
Kao rezultat toga, ova knjiga vam nudi jednostavan uvod koji će vam pomoći da saznate više o zagonetnom području mašinskog učenja. Uz pomoć Machine Learning For Dummies, naučit ćete kako "govoriti" jezike kao što su Python i R, što će vam omogućiti da obučite računare za prepoznavanje uzoraka i analizu podataka.
Osim toga, naučit ćete kako koristiti Python Anaconda i R Studio za razvoj u R.
Teme obrađene u knjizi
- Priprema podataka
- pristupi mašinskom učenju
- Ciklus mašinskog učenja
- Nadzirano i nenadgledano učenje
- Sistemi mašinskog učenja za obuku
- Vezivanje metoda mašinskog učenja za rezultate
3. Knjiga o mašinskom učenju od sto stranica
Da li je moguće pokriti sve aspekte mašinskog učenja na manje od 100 stranica? Knjiga o mašinskom učenju od XNUMX stranica Andrija Burkova je pokušaj da se uradi isto.
Knjiga o mašinskom učenju je dobro napisana i podržana od strane renomiranih misaonih lidera uključujući Sujeet Varakhedi, šef inženjeringa na eBayu, i Peter Norvig, direktor istraživanja u Googleu.
To je najbolja knjiga za početnike u mašinskom učenju. Nakon što temeljno pročitate knjigu, moći ćete da konstruišete i razumete sofisticirane sisteme veštačke inteligencije, uspete u intervjuu za mašinsko učenje, pa čak i da pokrenete sopstvenu kompaniju zasnovanu na ML-u.
Međutim, knjiga nije namijenjena potpunim početnicima u mašinskom učenju. Potražite negdje ako tražite nešto fundamentalnije.
Teme obrađene u knjizi
- Anatomija a algoritam učenja
- Učenje pod nadzorom i učenje bez nadzora
- Učenje ojačanja
- Osnovni algoritmi mašinskog učenja
- Pregled neuronskih mreža i dubokog učenja
4. Razumijevanje mašinskog učenja
Sistematski uvod u mašinsko učenje dat je u knjizi Razumevanje mašinskog učenja. Knjiga duboko prodire u temeljne ideje, računske paradigme i matematičke derivacije mašinskog učenja.
Širok spektar predmeta mašinskog učenja predstavljen je na jednostavan način pomoću mašinskog učenja. U knjizi su opisane teorijske osnove mašinskog učenja, zajedno sa matematičkim izvodima koji te temelje pretvaraju u korisne algoritme.
Knjiga predstavlja osnove prije nego što pokrije širok spektar ključnih tema koje nisu bile obuhvaćene ranijim udžbenicima.
Ovo uključuje raspravu o konceptima konveksnosti i stabilnosti i računskoj složenosti učenja, kao i značajne algoritamske paradigme poput stohastičke gradijentni spust, neuronske mreže i učenje strukturiranog izlaza, kao i novonastale teorijske ideje poput PAC-Bayesovog pristupa i granica zasnovanih na kompresiji. dizajniran za početnike ili napredne studente.
Teme obrađene u knjizi
- Računarska složenost mašinskog učenja
- ML algoritmi
- Neuralne mreže
- PAC-Bayesov pristup
- Stohastički gradijentni pad
- Učenje strukturiranog izlaza
5. Uvod u mašinsko učenje sa Pythonom
Jeste li stručnjak za podatke koji poznaje Python i koji želi proučavati mašinsko učenje? Najbolja knjiga sa kojom možete započeti svoju avanturu mašinskog učenja je Uvod u mašinsko učenje uz Python: Vodič za naučnike o podacima.
Uz pomoć knjige Uvod u mašinsko učenje uz Python: Vodič za naučnike o podacima, otkrićete niz korisnih tehnika za kreiranje prilagođenih programa mašinskog učenja.
Pokriti ćete svaki ključni korak u korištenju Pythona i Scikit-Learn paketa za izgradnju pouzdanih aplikacija za strojno učenje.
Sticanje solidnog razumijevanja matplotlib i NumPy biblioteka će učiniti učenje mnogo lakšim.
Teme obrađene u knjizi
- Moderne tehnike za podešavanje parametara i procjenu modela
- Aplikacije i osnovne ideje za mašinsko učenje
- automatizovane tehnike učenja
- Tehnike manipulacije tekstualnim podacima
- Ulančavanje modela i cjevovodi za enkapsulaciju toka posla
- Prikaz podataka nakon obrade
6. Praktično mašinsko učenje uz Sci-kit Learn, Keras & Tensorflow
Među najtemeljitijim publikacijama o nauci o podacima i mašinskom učenju, puna je znanja. Savjetuje se da i stručnjaci i početnici prouče više o ovoj temi.
Iako ova knjiga sadrži samo malo teorije, potkrijepljena je snažnim primjerima, što joj daje mjesto na listi.
Ova knjiga uključuje razne teme, uključujući scikit-learn za projekte mašinskog učenja i TensorFlow za kreiranje i obuku neuronskih mreža.
Nakon čitanja ove knjige, mislimo da ćete biti bolje opremljeni za dalje udubljivanje duboko učenje i baviti se praktičnim problemima.
Teme obrađene u knjizi
- Ispitajte pejzaž mašinskog učenja, posebno neuronske mreže
- Pratite uzorak projekta mašinskog učenja od početka do zaključka koristeći Scikit-Learn.
- Ispitajte nekoliko modela obuke, kao što su tehnike ansambla, nasumične šume, stabla odlučivanja i mašine za vektore podrške.
- Kreirajte i trenirajte neuronske mreže koristeći TensorFlow biblioteku.
- Razmislite o konvolucionim mrežama, rekurentnim mrežama i dubokom učenju uz pomoć dok istražujete neuronska mreža dizajna.
- Naučite kako skalirati i trenirati duboke neuronske mreže.
7. Mašinsko učenje za hakere
Za iskusnog programera zainteresovanog za analizu podataka, napisana je knjiga Mašinsko učenje za hakere. Hakeri su vešti matematičari u ovom kontekstu.
Za nekoga ko dobro razumije R, ova knjiga je odličan izbor jer je većina usredotočena na analizu podataka u R-u. Dodatno se u knjizi obrađuje kako manipulirati podacima koristeći napredni R.
Uključivanje relevantnih priča o slučajevima naglašava vrijednost upotrebe algoritama za mašinsko učenje može biti najznačajnija prodajna tačka knjige Mašinsko učenje za hakere.
Knjiga daje mnoge primjere iz stvarnog svijeta kako bi učenje mašinskog učenja bilo jednostavnijim i bržim, umjesto da ide dublje u njegovu matematičku teoriju.
Teme obrađene u knjizi
- Napravite naivni Bayesov klasifikator koji jednostavno analizira sadržaj e-pošte kako bi utvrdio da li je neželjena pošta.
- Predviđanje broja pregleda stranica za 1,000 najboljih web stranica pomoću linearne regresije
- Istražite metode optimizacije pokušajem da razbijete jednostavnu šifru slova.
8. Python strojno učenje s primjerima
Ova knjiga, koja vam pomaže da shvatite i kreirate različite metode mašinskog učenja, dubokog učenja i analize podataka, verovatno je jedina koja se fokusira samo na Python kao programski jezik.
Pokriva nekoliko moćnih biblioteka za implementaciju različitih algoritama mašinskog učenja, kao što je Scikit-Learn. Modul Tensor Flow se tada koristi da vas nauči o dubokom učenju.
Konačno, pokazuje mnoge mogućnosti analize podataka koje se mogu postići korištenjem mašinskog i dubokog učenja.
Takođe vas uči brojnim tehnikama koje se mogu koristiti za povećanje efikasnosti modela koji kreirate.
Teme obrađene u knjizi
- Učenje Pythona i strojno učenje: Vodič za početnike
- Ispitivanje skupa podataka 2 diskusione grupe i naivno Bayesovo otkrivanje neželjene e-pošte
- Koristeći SVM, klasificirajte teme novinskih priča. Predviđanje klikova koristeći algoritame zasnovane na stablima
- Predviđanje stope klikanja pomoću logističke regresije
- Upotreba regresijskih algoritama za predviđanje najviših standarda cijena dionica
9. Python mašinsko učenje
Knjiga Python Machine Learning objašnjava osnove mašinskog učenja kao i njegov značaj u digitalnom domenu. To je knjiga o mašinskom učenju za početnike.
U knjizi su dodatno obrađena mnoga potpolja i aplikacije mašinskog učenja. Principi Python programiranja i kako započeti s besplatnim programskim jezikom otvorenog koda također su pokriveni u knjizi Python Machine Learning.
Nakon što završite knjigu o mašinskom učenju, moći ćete efikasno uspostaviti niz poslova mašinskog učenja koristeći Python kodiranje.
Teme obrađene u knjizi
- Osnove umjetne inteligencije
- stablo odlučivanja
- Logistička regresija
- Dubinske neuronske mreže
- Osnove programskog jezika Python
10. Mašinsko učenje: Vjerovatna perspektiva
Machine Learning: A Probabilistic Perspective je duhovita knjiga o mašinskom učenju koja sadrži nostalgičnu grafiku u boji i praktične primjere iz stvarnog svijeta iz disciplina kao što su biologija, kompjuterski vid, robotika i obrada teksta.
Pun je ležerne proze i pseudokoda za osnovne algoritme. Mašinsko učenje: Probabilistička perspektiva, za razliku od drugih publikacija o mašinskom učenju koje su predstavljene u stilu kuharice i opisuju različite heurističke pristupe, fokusira se na principijelni pristup zasnovan na modelu.
On specificira ml modele koristeći grafičke prikaze na jasan i razumljiv način. Zasnovan na jedinstvenom, probabilističkom pristupu, ovaj udžbenik pruža potpun i samostalan uvod u oblast mašinskog učenja.
Sadržaj je i širok i dubok, uključujući osnovni materijal o temama kao što su vjerovatnoća, optimizacija i linearna algebra, kao i diskusiju o suvremenom napretku u ovoj oblasti kao što su uvjetna nasumična polja, L1 regularizacija i duboko učenje.
Knjiga je napisana ležernim, pristupačnim jezikom, koji sadrži pseudokod za glavne značajne algoritme.
Teme obrađene u knjizi
- Verovatnoća
- Duboko učenje
- L1 regularizacija
- optimizacija
- Obrada teksta
- Computer Vision aplikacije
- Robotske aplikacije
11. Elementi statističkog učenja
Zbog svog konceptualnog okvira i širokog spektra predmeta, ovaj udžbenik mašinskog učenja je često priznat na terenu.
Ova knjiga se može koristiti kao referenca za svakoga ko treba da osvježi teme kao što su neuronske mreže i tehnike testiranja, kao i jednostavan uvod u mašinsko učenje.
Knjiga agresivno tjera čitaoca da radi vlastite eksperimente i istraživanja na svakom koraku, što je čini dragocjenom za kultiviranje sposobnosti i radoznalosti potrebnih za relevantan napredak u kapacitetu ili poslu mašinskog učenja.
To je važan alat za statističare i sve zainteresovane za rudarenje podataka u biznisu ili nauci. Uvjerite se da barem razumijete linearnu algebru prije nego što započnete ovu knjigu.
Teme obrađene u knjizi
- Nadzirano učenje (predviđanje) do učenja bez nadzora
- Neuralne mreže
- Podržavaju vektorske mašine
- Klasifikaciono drveće
- Pojačavajući algoritmi
12. Prepoznavanje uzoraka i mašinsko učenje
Svjetovi prepoznavanja obrazaca i mašinskog učenja mogu se detaljno istražiti u ovoj knjizi. Bayesov pristup prepoznavanju obrazaca prvobitno je predstavljen u ovoj publikaciji.
Nadalje, knjiga ispituje izazovne predmete kojima je potrebno radno razumijevanje multivarijantne, nauke o podacima i fundamentalne linearne algebre.
O mašinskom učenju i verovatnoći, referentna knjiga nudi poglavlja sa progresivno težim nivoima složenosti na osnovu trendova u skupovima podataka. Jednostavni primjeri dati su prije općeg uvoda u prepoznavanje obrazaca.
Knjiga nudi tehnike za približno zaključivanje, koje omogućavaju brze aproksimacije u slučajevima kada su egzaktna rješenja nepraktična. Ne postoje druge knjige koje koriste grafičke modele za opisivanje distribucije vjerovatnoće, ali postoje.
Teme obrađene u knjizi
- Bayesove metode
- Približni algoritmi zaključivanja
- Novi modeli bazirani na kernelima
- Uvod u osnovnu teoriju vjerovatnoće
- Uvod u prepoznavanje obrazaca i mašinsko učenje
13. Osnove mašinskog učenja iz analitike prediktivnih podataka
Ako ste savladali osnove mašinskog učenja i želite da pređete na prediktivnu analitiku podataka, ovo je knjiga za vas!!! Pronalaženjem obrazaca iz masivnih skupova podataka, mašinsko učenje se može koristiti za razvoj modela predviđanja.
Ova knjiga ispituje implementaciju korištenja ML-a Prediktivna analitika podataka dubinski, uključujući i teorijske principe i stvarne primjere.
Uprkos činjenici da je naslov “Osnove mašinskog učenja za prediktivnu analitiku podataka” pun, ova knjiga će opisati put analitike prediktivnih podataka od podataka do uvida do zaključka.
Također razmatra četiri pristupa mašinskom učenju: učenje zasnovano na informacijama, učenje zasnovano na sličnosti, učenje zasnovano na verovatnoći i učenje zasnovano na grešci, svaki sa netehničkim konceptualnim objašnjenjem praćenim matematičkim modelima i algoritmima sa primerima.
Teme obrađene u knjizi
- Učenje zasnovano na informacijama
- Učenje zasnovano na sličnosti
- Učenje zasnovano na vjerovatnoći
- Učenje zasnovano na greškama
14. Primijenjeno prediktivno modeliranje
Primijenjeno prediktivno modeliranje ispituje cijeli proces prediktivnog modeliranja, počevši od kritičnih faza predobrade podataka, podjele podataka i temelja podešavanja modela.
Rad zatim predstavlja jasne opise raznih konvencionalnih i nedavnih pristupa regresije i klasifikacije, sa fokusom na pokazivanje i rješavanje izazova podataka iz stvarnog svijeta.
Vodič pokazuje sve aspekte procesa modeliranja sa nekoliko praktičnih primjera iz stvarnog svijeta, a svako poglavlje uključuje sveobuhvatan R kod za svaku fazu procesa.
Ova višenamjenska knjiga može se koristiti kao uvod u prediktivne modele i cijeli proces modeliranja, kao referentni vodič za praktičare ili kao tekst za napredne kurseve prediktivnog modeliranja na dodiplomskom ili postdiplomskom nivou.
Teme obrađene u knjizi
- Tehnička regresija
- Tehnika klasifikacije
- Složeni ML algoritmi
15. Mašinsko učenje: umjetnost i znanost algoritama koji imaju smisao u podacima
Ako ste srednji ili stručnjak za mašinsko učenje i želite da se vratite „na osnove“, ova knjiga je za vas! Odaje punu zaslugu za ogromnu složenost i dubinu mašinskog učenja, a da pritom nikada ne gubi iz vida njegove objedinjujuće principe (prilično dostignuće!).
Mašinsko učenje: Umjetnost i znanost algoritama uključuje nekoliko studija slučaja sve složenije, kao i brojne primjere i slike (kako bi stvari bile zanimljive!).
Knjiga takođe pokriva širok spektar logičkih, geometrijskih i statističkih modela, kao i komplikovane i nove teme poput matrične faktorizacije i ROC analize.
Teme obrađene u knjizi
- Pojednostavljuje algoritme mašinskog učenja
- Logički model
- Geometrijski model
- Statistički model
- ROC analiza
16. Data Mining: praktični alati i tehnike za mašinsko učenje
Koristeći pristupe iz proučavanja sistema baza podataka, mašinskog učenja i statistike, tehnike rudarenja podataka nam omogućavaju da pronađemo obrasce u ogromnim količinama podataka.
Trebali biste nabaviti knjigu Data Mining: Praktični alati i tehnike strojnog učenja ako trebate posebno proučavati tehnike rudarenja podataka ili planirate naučiti mašinsko učenje općenito.
Najbolja knjiga o mašinskom učenju više se koncentriše na svoju tehničku stranu. On dalje zadire u tehničke zamršenosti mašinskog učenja i strategije za prikupljanje podataka i korištenje različitih ulaza i izlaza za prosuđivanje rezultata.
Teme obrađene u knjizi
- Linearni modeli
- clustering
- Statističko modeliranje
- Predviđanje performansi
- Poređenje metoda rudarenja podataka
- Učenje zasnovano na instanci
- Reprezentacija znanja i klasteri
- Tradicionalne i moderne tehnike rudarenja podataka
17. Python za analizu podataka
Sposobnost evaluacije podataka koji se koriste u mašinskom učenju je najvažnija vještina koju naučnik podataka mora posjedovati. Prije razvoja ML modela koji proizvodi tačnu prognozu, većina vašeg posla će uključivati rukovanje, obradu, čišćenje i procjenu podataka.
Morate biti upoznati sa programskim jezicima kao što su Pandas, NumPy, Ipython i drugi da biste izvršili analizu podataka.
Ako želite da radite u nauci o podacima ili mašinskom učenju, morate imati sposobnost manipulisanja podacima.
U ovom slučaju svakako biste trebali pročitati knjigu Python za analizu podataka.
Teme obrađene u knjizi
- suštinski Python Libraries
- Advanced Pandas
- Primjeri analize podataka
- Čišćenje i priprema podataka
- Matematičke i statističke metode
- Sumiranje i izračunavanje deskriptivne statistike
18. Obrada prirodnog jezika sa Pythonom
Osnova sistema mašinskog učenja je obrada prirodnog jezika.
Knjiga Obrada prirodnog jezika sa Pythonom daje vam uputstva kako da koristite NLTK, veoma omiljenu kolekciju Python modula i alata za simboličku i statističku obradu prirodnog jezika za engleski i NLP uopšte.
Knjiga Obrada prirodnog jezika sa Pythonom pruža efikasne Python rutine koje demonstriraju NLP na sažet, očigledan način.
Čitaoci imaju pristup dobro označenim skupovima podataka za rad sa nestrukturiranim podacima, tekstualno-jezičkom strukturom i drugim elementima fokusiranim na NLP.
Teme obrađene u knjizi
- Kako funkcioniše ljudski jezik?
- Lingvističke strukture podataka
- Komplet alata za prirodni jezik (NLTK)
- Parsing i semantička analiza
- Popularne lingvističke baze podataka
- Integrirajte tehnike iz umjetne inteligencije i lingvistike
19. Programiranje kolektivne inteligencije
Programska kolektivna inteligencija Tobyja Segarana, koja se smatra jednom od najvećih knjiga za početak razumijevanja mašinskog učenja, napisana je 2007. godine, godinama prije nego što su nauka o podacima i strojno učenje zauzeli svoju trenutnu poziciju vodećih profesionalnih puteva.
Knjiga koristi Python kao metodu za širenje svoje stručnosti publici. Programska kolektivna inteligencija je više priručnik za implementaciju ml nego uvod u mašinsko učenje.
Knjiga pruža informacije o razvoju efikasnih ML algoritama za prikupljanje podataka iz aplikacija, programiranje za dobijanje podataka sa veb lokacija i ekstrapolaciju prikupljenih podataka.
Svako poglavlje uključuje aktivnosti za proširenje razmatranih algoritama i povećanje njihove korisnosti.
Teme obrađene u knjizi
- Bayesovo filtriranje
- Podržavaju vektorske mašine
- Algoritmi pretraživača
- Načini predviđanja
- Tehnike kolaborativnog filtriranja
- Nenegativna matrična faktorizacija
- Razvoj inteligencije za rješavanje problema
- Metode za otkrivanje grupa ili obrazaca
20. Duboko učenje (serija adaptivnog računanja i mašinskog učenja)
Kao što svi znamo, duboko učenje je poboljšana vrsta mašinskog učenja koja omogućava računarima da uče iz prošlih performansi i velike količine podataka.
Dok koristite tehnike mašinskog učenja, takođe morate biti upoznati sa principima dubokog učenja. Ova knjiga, koja se smatra Biblijom dubokog učenja, bit će od velike pomoći u ovoj situaciji.
Tri stručnjaka za duboko učenje u ovoj knjizi pokrivaju veoma komplikovane teme koje su pune matematike i dubokih generativnih modela.
Pružajući matematičku i konceptualnu osnovu, rad razmatra relevantne ideje u linearnoj algebri, teoriji vjerovatnoće, teoriji informacija, numeričkom proračunu i mašinskom učenju.
Ispituje aplikacije kao što su obrada prirodnog jezika, prepoznavanje govora, kompjuterska vizija, sistemi za online preporuke, bioinformatika i videoigre i opisuje tehnike dubokog učenja koje koriste praktičari u industriji, kao što su duboke mreže naprijed, regularizacija i optimizacijski algoritmi, konvolutivne mreže i praktična metodologija .
Teme obrađene u knjizi
- Numeričko računanje
- Istraživanje dubokog učenja
- Tehnike kompjuterskog vida
- Deep Feedforward mreže
- Optimizacija za obuku dubokih modela
- Praktična metodologija
- Istraživanje dubokog učenja
zaključak
20 najboljih knjiga o mašinskom učenju sažeto je na toj listi, koje možete koristiti da napredujete u mašinskom učenju u pravcu koji vam se sviđa.
Moći ćete razviti čvrstu osnovu u stručnosti o mašinskom učenju i referentnu biblioteku koju možete često koristiti dok radite u ovoj oblasti ako čitate razne ove udžbenike.
Bićete inspirisani da nastavite da učite, da budete bolji i da imate efekta čak i ako pročitate samo jednu knjigu.
Kada ste spremni i kompetentni za razvoj vlastitih algoritama za strojno učenje, imajte na umu da su podaci od vitalnog značaja za uspjeh vašeg projekta.
Ostavite odgovor