Indholdsfortegnelse[Skjule][At vise]
I øvrigt er vi alle klar over, hvor hurtigt maskinlæringsteknologien har udviklet sig i de sidste mange år. Maskinlæring er en disciplin, der har tiltrukket sig interesse fra flere virksomheder, akademikere og sektorer.
På grund af dette vil jeg diskutere nogle af de bedste bøger om maskinlæring, som en ingeniør eller nybegynder bør læse i dag. I må alle have været enige om, at det at læse bøger ikke er det samme som at bruge intellektet.
At læse bøger hjælper vores sind med at opdage en masse nye ting. At læse er jo læring. Et selvlærende tag er meget sjovt at have. De bedste lærebøger på området vil blive fremhævet i denne artikel.
Følgende lærebøger tilbyder en gennemprøvet introduktion til det større felt af AI og bruges ofte i universitetskurser og anbefales af både akademikere og ingeniører.
Også selvom du har et væld af machine learning erfaring, kan det være en fantastisk måde at friske op at hente en af disse lærebøger. Læring er jo en kontinuerlig proces.
1. Machine Learning for absolutte begyndere
Du vil gerne studere maskinlæring, men ved ikke, hvordan du gør det. Der er flere afgørende teoretiske og statistiske begreber, du bør forstå, før du starter din episke tur ind i maskinlæring. Og denne bog opfylder det behov!
Det tilbyder komplette nybegyndere med et højt niveau, anvendelig introduktion til maskinlæring. Bogen Machine Learning for Absolute Beginners er et af de bedste valg for alle, der søger efter den mest forenklede forklaring af machine learning og tilhørende ideer.
Bogens talrige ml-algoritmer er ledsaget af kortfattede forklaringer og grafiske eksempler for at hjælpe læserne med at forstå alt, hvad der diskuteres.
Emner behandlet i bogen
- Grundlæggende om neurale netværk
- Regressions analyse
- Funktionsteknik
- klyngedannelse
- Krydsvalidering
- Teknikker til at skrubbe data
- Beslutningstræer
- Ensemble modellering
2. Machine Learning for Dummies
Maskinlæring kan være en forvirrende idé for almindelige mennesker. Det er dog uvurderligt for dem af os, der er vidende.
Uden ML er det svært at håndtere problemer som online søgeresultater, realtidsannoncer på websider, automatisering eller endda spamfiltrering (Yeah!).
Som et resultat giver denne bog dig en ligetil introduktion, der vil hjælpe dig med at lære mere om det gådefulde område af maskinlæring. Ved hjælp af Machine Learning For Dummies vil du lære at "tale" sprog som Python og R, hvilket vil gøre dig i stand til at træne computere til at lave mønstergenkendelse og dataanalyse.
Derudover vil du lære, hvordan du bruger Pythons Anaconda og R Studio til at udvikle i R.
Emner behandlet i bogen
- Forberedelse af data
- tilgange til maskinlæring
- Maskinlæringscyklussen
- Superviseret og uovervåget læring
- Træning af maskinlæringssystemer
- At knytte maskinlæringsmetoder til resultater
3. De hundrede siders maskinlæringsbog
Er det muligt at dække alle aspekter af maskinlæring på under 100 sider? Andriy Burkovs The Hundred-Page Machine Learning Book er et forsøg på at gøre det samme.
Maskinlæringsbogen er velskrevet og understøttet af kendte tankeledere, herunder Sujeet Varakhedi, Head of Engineering hos eBay, og Peter Norvig, Research Director hos Google.
Det er den bedste bog for en begynder inden for maskinlæring. Efter at have læst bogen grundigt, vil du være i stand til at konstruere og forstå sofistikerede AI-systemer, få succes med et maskinlæringsinterview og endda starte din helt egen ML-baserede virksomhed.
Bogen er dog ikke beregnet til helt nybegyndere inden for maskinlæring. Se et sted, hvis du leder efter noget mere grundlæggende.
Emner behandlet i bogen
- Anatomi af a læringsalgoritme
- Superviseret læring og uovervåget læring
- Forstærkningslæring
- Grundlæggende algoritmer for Machine Learning
- Oversigt over neurale netværk og dyb læring
4. Forståelse af Machine Learning
En systematisk introduktion til maskinlæring er givet i bogen Understanding Machine Learning. Bogen dykker dybt ned i de grundlæggende ideer, beregningsparadigmer og matematiske afledninger af maskinlæring.
En omfattende række af maskinlæringsfag præsenteres på en enkel måde ved maskinlæring. Det teoretiske grundlag for maskinlæring er beskrevet i bogen sammen med de matematiske afledninger, der gør disse fundamenter til brugbare algoritmer.
Bogen præsenterer det grundlæggende, før den dækker en bred vifte af afgørende emner, som ikke er blevet dækket af tidligere lærebøger.
Inkluderet i dette er en diskussion af konveksitets- og stabilitetsbegreberne og den beregningsmæssige kompleksitet af læring, såvel som væsentlige algoritmiske paradigmer som stokastisk gradient nedstigning, neurale netværk og struktureret outputlæring, såvel som nye teoretiske ideer som PAC-Bayes-tilgangen og kompressionsbaserede grænser. designet til nybegyndere eller avancerede bachelorer.
Emner behandlet i bogen
- Den beregningsmæssige kompleksitet af maskinlæring
- ML algoritmer
- Neurale netværk
- PAC-Bayes tilgang
- Stokastisk gradientnedstigning
- Struktureret outputlæring
5. Introduktion til Machine Learning med Python
Er du en Python-kyndig dataforsker, der ønsker at studere maskinlæring? Den bedste bog at starte dit maskinlæringseventyr med er Introduktion til Machine Learning med Python: A Guide for Data Scientists.
Ved hjælp af bogen Introduction to Machine Learning with Python: A Guide for Data Scientists vil du opdage en række nyttige teknikker til at skabe brugerdefinerede maskinlæringsprogrammer.
Du vil dække alle afgørende trin involveret i at bruge Python og Scikit-Learn-pakken til at bygge pålidelige maskinlæringsapplikationer.
At få et solidt greb om matplotlib- og NumPy-bibliotekerne vil gøre indlæring meget lettere.
Emner behandlet i bogen
- Moderne teknikker til parameterjustering og modelvurdering
- Applikationer og grundlæggende maskinlæringsideer
- automatiserede læringsteknikker
- Teknikker til at manipulere tekstdata
- Modelkæde- og workflow-indkapslingsrørledninger
- Datarepræsentation efter behandling
6. Hands-on Machine Learning med Sci-kit learning, Keras & Tensorflow
Blandt de mest grundige publikationer om datavidenskab og maskinlæring er den fyldt med viden. Det anbefales, at både eksperter og nybegyndere studerer mere om dette emne.
Selvom denne bog kun indeholder en lille mængde teori, understøttes den af stærke eksempler, hvilket giver den en plads på listen.
Denne bog indeholder en række emner, herunder scikit-learn til maskinlæringsprojekter og TensorFlow til at skabe og træne neurale netværk.
Efter at have læst denne bog tror vi, at du vil være bedre rustet til at dykke længere ned i dyb læring og håndtere praktiske problemer.
Emner behandlet i bogen
- Undersøg landskabet for maskinlæring, især neurale netværk
- Spor et eksempel på maskinlæringsprojekt fra start til slut ved hjælp af Scikit-Learn.
- Undersøg flere træningsmodeller, såsom ensembleteknikker, tilfældige skove, beslutningstræer og støttevektormaskiner.
- Opret og træne neurale netværk ved at bruge TensorFlow-biblioteket.
- Overvej foldende netværk, tilbagevendende net og dyb forstærkende læring, mens du udforsker neuralt net designs.
- Lær, hvordan du skalerer og træner dybe neurale netværk.
7. Machine Learning for hackere
Til den garvede programmør, der er interesseret i dataanalyse, er bogen Machine Learning for Hackers skrevet. Hackere er dygtige matematikere i denne sammenhæng.
For en person med en solid forståelse af R, er denne bog et godt valg, fordi størstedelen af den er centreret om dataanalyse i R. Derudover dækkes bogen i, hvordan man manipulerer data ved hjælp af avanceret R.
Inkluderingen af relevante case-historier understreger værdien af at anvende maskinlæringsalgoritmer kan være bogen Machine Learning for Hackers' mest betydningsfulde salgsargument.
Bogen giver mange eksempler fra den virkelige verden til at gøre læring af maskinlæring enklere og hurtigere i stedet for at gå dybere ind i dens matematiske teori om det.
Emner behandlet i bogen
- Opret en naiv Bayesiansk klassificering, der blot analyserer indholdet af en e-mail for at afgøre, om det er spam.
- Forudsigelse af antallet af sidevisninger for de 1,000 bedste websteder ved hjælp af lineær regression
- Undersøg optimeringsmetoder ved at forsøge at knække en ligetil bogstavkryptering.
8. Python Machine Learning med eksempler
Denne bog, som hjælper dig med at forstå og skabe forskellige metoder til maskinlæring, dyb læring og dataanalyse, er sandsynligvis den eneste, der kun fokuserer på Python som programmeringssprog.
Det dækker flere potente biblioteker til implementering af forskellige Machine Learning-algoritmer, såsom Scikit-Learn. Tensor Flow-modulet bruges derefter til at lære dig om dyb læring.
Endelig demonstrerer den de mange muligheder for dataanalyse, der kan opnås ved hjælp af maskine og dyb læring.
Det lærer dig også de mange teknikker, der kan bruges til at øge effektiviteten af den model, du opretter.
Emner behandlet i bogen
- Lær Python og Machine Learning: En begyndervejledning
- Undersøgelse af de 2 nyhedsgruppers datasæt og Naive Bayes spam-e-mail-detektion
- Brug SVM'er til at klassificere emnerne i nyhedshistorier Click-through-forudsigelse ved hjælp af algoritmer baseret på træer
- Forudsigelse af klikrate ved hjælp af logistisk regression
- Brugen af regressionsalgoritmer til at forudsige aktiekursernes højeste standarder
9. Python Machine Learning
Python Machine Learning-bogen forklarer det grundlæggende i maskinlæring samt dens betydning i det digitale domæne. Det er en maskinlæringsbog for begyndere.
Derudover er maskinlærings mange underområder og applikationer dækket i bogen. Principperne for Python-programmering og hvordan man kommer i gang med det gratis og open source-programmeringssprog er også dækket i Python Machine Learning-bogen.
Efter at have afsluttet maskinlæringsbogen, vil du effektivt være i stand til at etablere en række maskinlæringsjob ved hjælp af Python-kodning.
Emner behandlet i bogen
- Grundlæggende kunstig intelligens
- et beslutningstræ
- Logistisk regression
- Dybtgående neurale netværk
- Grundlæggende om Python programmeringssprog
10. Machine Learning: Et probabilistisk perspektiv
Machine Learning: A Probabilistic Perspective er en humoristisk maskinlæringsbog, der indeholder nostalgisk farvegrafik og praktiske eksempler fra den virkelige verden fra discipliner som biologi, computersyn, robotteknologi og tekstbehandling.
Den er fuld af afslappet prosa og pseudokode til essentielle algoritmer. Machine Learning: A Probabilistic Perspective fokuserer i modsætning til andre maskinlæringspublikationer, der præsenteres i stil med en kogebog og beskriver forskellige heuristiske tilgange, på en principiel modelbaseret tilgang.
Den specificerer ml-modeller ved hjælp af grafiske repræsentationer på en klar og forståelig måde. Baseret på en samlet, probabilistisk tilgang giver denne lærebog en komplet og selvstændig introduktion til området maskinlæring.
Indholdet er både bredt og dybt, herunder grundlæggende baggrundsmateriale om emner som sandsynlighed, optimering og lineær algebra, samt en diskussion af nutidige fremskridt på området såsom betingede tilfældige felter, L1-regularisering og deep learning.
Bogen er skrevet i et afslappet, tilgængeligt sprog, der indeholder pseudo-kode for de vigtigste væsentlige algoritmer.
Emner behandlet i bogen
- Sandsynlighed
- Deep learning
- L1-regulering
- Optimering
- Tekstbehandling
- Computer Vision applikationer
- Robotapplikationer
11. Elementerne i statistisk læring
For sin konceptuelle ramme og en bred vifte af emner er denne maskinlæringsbog ofte anerkendt i feltet.
Denne bog kan bruges som en reference for alle, der har brug for at friske op på emner som neurale netværk og testteknikker samt en simpel introduktion til maskinlæring.
Bogen presser aggressivt læseren til at lave deres egne eksperimenter og undersøgelser ved hver tur, hvilket gør den værdifuld til at dyrke de evner og nysgerrighed, der kræves for at gøre relevante fremskridt i en maskinlæringskapacitet eller -job.
Det er et vigtigt værktøj for statistikere og enhver, der er interesseret i datamining i erhvervslivet eller videnskaben. Sørg for at du som minimum forstår lineær algebra, før du begynder på denne bog.
Emner behandlet i bogen
- Superviseret læring (forudsigelse) til uovervåget læring
- Neurale netværk
- Support vektor maskiner
- Klassifikationstræer
- Boost algoritmer
12. Mønstergenkendelse og maskinlæring
Verdenerne af mønstergenkendelse og maskinlæring kan udforskes grundigt i denne bog. Den Bayesianske tilgang til mønstergenkendelse blev oprindeligt præsenteret i denne publikation.
Desuden undersøger bogen udfordrende emner, der har brug for en fungerende forståelse af multivariat, datavidenskab og grundlæggende lineær algebra.
Om maskinlæring og sandsynlighed tilbyder opslagsbogen kapitler med gradvist sværere niveauer af kompleksitet baseret på tendenser i datasæt. Der gives simple eksempler før en generel introduktion til mønstergenkendelse.
Bogen tilbyder teknikker til omtrentlig slutning, som tillader hurtige tilnærmelser i tilfælde, hvor nøjagtige løsninger er upraktiske. Der er ingen andre bøger, der anvender grafiske modeller til at beskrive sandsynlighedsfordelinger, men det gør det.
Emner behandlet i bogen
- Bayesiske metoder
- Tilnærmede slutningsalgoritmer
- Nye modeller baseret på kerner
- Introduktion til grundlæggende sandsynlighedsteori
- Introduktion til mønstergenkendelse og maskinlæring
13. Fundamentals of Machine Learning fra Predictive Data Analytics
Hvis du har mestret det grundlæggende i maskinlæring og ønsker at gå videre til forudsigelig dataanalyse, er dette bogen for dig!!! Ved at finde mønstre fra massive datasæt kan Machine Learning bruges til at udvikle forudsigelsesmodeller.
Denne bog undersøger implementeringen af ML-udnyttelse Forudsigende dataanalyse dybdegående, herunder både teoretiske principper og konkrete eksempler.
På trods af at titlen "Fundamentals of Machine Learning for Predictive Data Analytics" er en mundfuld, vil denne bog skitsere Predictive Data Analytics-rejsen fra data til indsigt til en konklusion.
Den diskuterer også fire maskinlæringstilgange: informationsbaseret læring, lighedsbaseret læring, sandsynlighedsbaseret læring og fejlbaseret læring, hver med en ikke-teknisk konceptuel forklaring efterfulgt af matematiske modeller og algoritmer med eksempler.
Emner behandlet i bogen
- Informationsbaseret læring
- Lighedsbaseret læring
- Sandsynlighedsbaseret læring
- Fejlbaseret læring
14. Anvendt prædiktiv modellering
Applied Predictive Modeling undersøger hele den prædiktive modelleringsprocessen, begyndende med de kritiske faser af dataforbehandling, dataopdeling og modeltuning.
Arbejdet præsenterer derefter klare beskrivelser af en række konventionelle og nyere regressions- og klassifikationstilgange med fokus på at vise og løse virkelige dataudfordringer.
Vejledningen demonstrerer alle aspekter af modelleringsprocessen med flere praktiske eksempler fra den virkelige verden, og hvert kapitel indeholder omfattende R-kode for hvert trin i processen.
Dette multifunktionelle bind kan bruges som en introduktion til prædiktive modeller og hele modelleringsprocessen, som en referencevejledning for praktikere eller som en tekst til avancerede bachelor- eller kandidatniveau prædiktive modelleringskurser.
Emner behandlet i bogen
- Teknisk regression
- Klassifikationsteknik
- Komplekse ML-algoritmer
15. Machine Learning: Kunsten og videnskaben bag algoritmer, der giver mening med data
Hvis du er en mellemliggende eller ekspert i maskinlæring og ønsker at gå "tilbage til det grundlæggende", er denne bog for dig! Det giver fuld kredit til Machine Learnings enorme kompleksitet og dybde, mens det aldrig mister dets samlende principper af syne (en ret stor bedrift!).
Maskinlæring: Algoritmernes kunst og videnskab omfatter adskillige casestudier af stigende kompleksitet samt adskillige eksempler og billeder (for at holde tingene interessante!).
Bogen dækker også en bred vifte af logiske, geometriske og statistiske modeller, såvel som komplicerede og nye emner som matrixfaktorisering og ROC-analyse.
Emner behandlet i bogen
- Forenkler maskinlæringsalgoritmer
- Logisk model
- Geometrisk model
- Statistisk model
- ROC analyse
16. Data Mining: Praktiske maskinlæringsværktøjer og -teknikker
Ved at bruge tilgange fra studiet af databasesystemer, maskinlæring og statistik gør datamining-teknikker os i stand til at finde mønstre i enorme mængder data.
Du bør få bogen Data Mining: Practical Machine Learning Tools and Techniques, hvis du skal studere data mining-teknikker i særdeleshed eller planlægger at lære maskinlæring generelt.
Den bedste bog om maskinlæring koncentrerer sig mere om dens tekniske side. Den dykker længere ned i maskinlærings tekniske forviklinger og strategier til at indsamle data og bruge forskellige input og output til at bedømme resultater.
Emner behandlet i bogen
- Lineære modeller
- klyngedannelse
- Statistisk modellering
- Forudsigelse ydeevne
- Sammenligning af data mining metoder
- Instansbaseret læring
- Videnrepræsentation & klynger
- Traditionelle og moderne data mining-teknikker
17. Python til dataanalyse
Evnen til at evaluere de data, der bruges i maskinlæring, er den vigtigste færdighed, en dataforsker skal besidde. Før du udvikler en ML-model, der producerer en nøjagtig prognose, vil størstedelen af dit job omfatte håndtering, behandling, rengøring og vurdering af data.
Du skal være fortrolig med programmeringssprog som Pandas, NumPy, Ipython og andre for at udføre dataanalyse.
Hvis du vil arbejde med datavidenskab eller maskinlæring, skal du have evnen til at manipulere data.
Du bør bestemt læse bogen Python til dataanalyse i dette tilfælde.
Emner behandlet i bogen
- Væsentlig Python Biblioteker
- Avancerede pandaer
- Eksempler på dataanalyse
- Datarensning og klargøring
- Matematiske og statistiske metoder
- Opsummering og beregning af beskrivende statistik
18. Naturlig sprogbehandling med Python
Grundlaget for maskinlæringssystemer er naturlig sprogbehandling.
Bogen Natural Language Processing with Python instruerer dig i, hvordan du bruger NLTK, en vellidt samling af Python-moduler og værktøjer til symbolsk og statistisk naturlig sprogbehandling til engelsk og NLP generelt.
Bogen Natural Language Processing with Python giver effektive Python-rutiner, der demonstrerer NLP på en kortfattet, indlysende måde.
Læsere har adgang til velannoterede datasæt til håndtering af ustrukturerede data, tekst-lingvistisk struktur og andre NLP-fokuserede elementer.
Emner behandlet i bogen
- Hvordan fungerer det menneskelige sprog?
- Sproglige datastrukturer
- Natural Language Toolkit (NLTK)
- Parsing og semantisk analyse
- Populære sproglige databaser
- Integrer teknikker fra kunstig intelligens og lingvistik
19. Programmering af kollektiv intelligens
Programming Collective Intelligence af Toby Segaran, der betragtes som en af de bedste bøger til at begynde at forstå maskinlæring, blev skrevet i 2007, år før datavidenskab og maskinlæring nåede deres nuværende position som førende professionelle veje.
Bogen bruger Python som metode til at formidle sin ekspertise til sit publikum. Programming Collective Intelligence er mere en manual til ml-implementering, end det er en introduktion til maskinlæring.
Bogen giver information om udvikling af effektive ML-algoritmer til indsamling af data fra apps, programmering til indhentning af data fra websteder og ekstrapolering af de indsamlede data.
Hvert kapitel indeholder aktiviteter til at udvide de diskuterede algoritmer og forbedre deres anvendelighed.
Emner behandlet i bogen
- Bayesiansk filtrering
- Support vektor maskiner
- Søgemaskine algoritmer
- Måder at lave forudsigelser på
- Samarbejdsfiltreringsteknikker
- Ikke-negativ matrixfaktorisering
- Udviklende intelligens til problemløsning
- Metoder til at detektere grupper eller mønstre
20. Deep Learning (Adaptative Computation and Machine Learning Series)
Som vi alle ved, er deep learning en forbedret form for maskinlæring, der gør det muligt for computere at lære af tidligere ydeevne og en stor mængde data.
Mens du bruger maskinlæringsteknikker, skal du også være fortrolig med deep learning-principper. Denne bog, der betragtes som Bibelen om dyb læring, vil være meget nyttig i denne situation.
Tre deep learning-eksperter dækker meget komplicerede emner, der er fyldt med matematik og dybe generative modeller i denne bog.
Arbejdet giver et matematisk og konceptuelt grundlag og diskuterer relevante ideer inden for lineær algebra, sandsynlighedsteori, informationsteori, numerisk beregning og maskinlæring.
Den undersøger applikationer som naturlig sprogbehandling, talegenkendelse, computersyn, onlineanbefalingssystemer, bioinformatik og videospil og beskriver deep learning-teknikker, der bruges af industriens praktikere, såsom dybe feedforward-netværk, regulariserings- og optimeringsalgoritmer, foldningsnetværk og praktisk metodologi. .
Emner behandlet i bogen
- Numerisk beregning
- Deep Learning Research
- Computer Vision teknikker
- Dybe feedforward-netværk
- Optimering til træning af dybe modeller
- Praktisk metode
- Deep Learning Research
Konklusion
De 20 bedste maskinlæringsbøger er opsummeret i denne liste, som du kan bruge til at udvikle maskinlæring i den retning, du kan lide.
Du vil være i stand til at udvikle et solidt fundament inden for maskinlæringsekspertise og et referencebibliotek, som du ofte kan bruge, mens du arbejder i området, hvis du læser en række af disse lærebøger.
Du vil blive inspireret til at blive ved med at lære, blive bedre og have en effekt, selvom du bare har læst én bog.
Når du er forberedt og kompetent til at udvikle dine egne maskinlæringsalgoritmer, skal du huske på, at data er afgørende for dit projekts succes.
Giv en kommentar