Πίνακας περιεχομένων[Κρύβω][Προβολή]
Παρεμπιπτόντως, όλοι γνωρίζουμε πόσο γρήγορα έχει αναπτυχθεί η τεχνολογία μηχανικής εκμάθησης τα τελευταία χρόνια. Η μηχανική μάθηση είναι ένας κλάδος που έχει προσελκύσει το ενδιαφέρον πολλών εταιρειών, ακαδημαϊκών και τομέων.
Λόγω αυτού, θα συζητήσω μερικά από τα σπουδαιότερα βιβλία για τη μηχανική μάθηση που ένας μηχανικός ή ένας αρχάριος θα πρέπει να διαβάσει σήμερα. Πρέπει όλοι να έχετε συμφωνήσει ότι η ανάγνωση βιβλίων δεν είναι το ίδιο με τη χρήση της νόησης.
Η ανάγνωση βιβλίων βοηθά το μυαλό μας να ανακαλύψει πολλά νέα πράγματα. Η ανάγνωση είναι μάθηση, τελικά. Μια ετικέτα αυτομάθησης είναι πολύ διασκεδαστική. Σε αυτό το άρθρο θα επισημανθούν τα σπουδαιότερα εγχειρίδια που διατίθενται στον τομέα αυτό.
Τα παρακάτω εγχειρίδια προσφέρουν μια δοκιμασμένη και αληθινή εισαγωγή στο ευρύτερο πεδίο της τεχνητής νοημοσύνης και χρησιμοποιούνται συχνά σε πανεπιστημιακά μαθήματα και προτείνονται από ακαδημαϊκούς και μηχανικούς.
Ακόμα κι αν έχετε έναν τόνο μάθηση μηχανής εμπειρία, η παραλαβή ενός από αυτά τα σχολικά βιβλία μπορεί να είναι ένας καταπληκτικός τρόπος για να τα βγάλετε πέρα. Άλλωστε, η μάθηση είναι μια συνεχής διαδικασία.
1. Μηχανική Μάθηση για Απόλυτους Αρχάριους
Θα θέλατε να σπουδάσετε μηχανική μάθηση αλλά δεν ξέρετε πώς να το κάνετε. Υπάρχουν πολλές κρίσιμες θεωρητικές και στατιστικές έννοιες που πρέπει να κατανοήσετε πριν ξεκινήσετε το επικό σας ταξίδι στη μηχανική μάθηση. Και αυτό το βιβλίο καλύπτει αυτή την ανάγκη!
Προσφέρει πλήρεις αρχάριους με υψηλού επιπέδου, εφαρμοστέο εισαγωγή στη μηχανική μάθηση. Το βιβλίο Machine Learning for Absolute Beginners είναι μια από τις καλύτερες επιλογές για όποιον αναζητά την πιο απλοποιημένη εξήγηση της μηχανικής μάθησης και τις σχετικές ιδέες.
Οι πολυάριθμοι αλγόριθμοι ml του βιβλίου συνοδεύονται από συνοπτικές επεξηγήσεις και γραφικά παραδείγματα για να βοηθήσουν τους αναγνώστες να κατανοήσουν όλα όσα συζητούνται.
Θέματα που καλύπτονται στο βιβλίο
- Βασικά στοιχεία του νευρωνικά δίκτυα
- Ανάλυση παλινδρόμησης
- Μηχανική χαρακτηριστικών
- Ομαδοποίηση
- Διασταυρωμένη επικύρωση
- Τεχνικές καθαρισμού δεδομένων
- Αποφάσεις δέντρων
- Μοντελοποίηση συνόλου
2. Μηχανική εκμάθηση για ανδρείκελα
Η μηχανική εκμάθηση μπορεί να είναι μια ιδέα που προκαλεί σύγχυση για τα συνηθισμένα άτομα. Ωστόσο, είναι ανεκτίμητο για όσους από εμάς γνωρίζουμε.
Χωρίς ML, είναι δύσκολο να διαχειριστείτε ζητήματα όπως αποτελέσματα αναζήτησης στο διαδίκτυο, διαφημίσεις σε πραγματικό χρόνο σε ιστοσελίδες, αυτοματισμό ή ακόμα και φιλτράρισμα ανεπιθύμητων μηνυμάτων (Ναι!).
Ως αποτέλεσμα, αυτό το βιβλίο σας προσφέρει μια απλή εισαγωγή που θα σας βοηθήσει να μάθετε περισσότερα για το αινιγματικό πεδίο της μηχανικής μάθησης. Με τη βοήθεια του Machine Learning For Dummies, θα μάθετε πώς να «μιλάτε» γλώσσες όπως η Python και η R, κάτι που θα σας επιτρέψει να εκπαιδεύσετε τους υπολογιστές να κάνουν αναγνώριση προτύπων και ανάλυση δεδομένων.
Επιπλέον, θα μάθετε πώς να χρησιμοποιείτε τα Python's Anaconda και R Studio για ανάπτυξη στο R.
Θέματα που καλύπτονται στο βιβλίο
- Προετοιμασία δεδομένων
- προσεγγίσεις για τη μηχανική μάθηση
- Ο κύκλος μηχανικής μάθησης
- Εποπτευόμενη και χωρίς επίβλεψη μάθηση
- Εκπαίδευση συστημάτων μηχανικής μάθησης
- Συνδέοντας μεθόδους μηχανικής μάθησης με αποτελέσματα
3. The Hundred Page Machine Learning Book
Είναι εφικτό να καλυφθούν όλες οι πτυχές της μηχανικής εκμάθησης σε λιγότερο από 100 σελίδες; Το βιβλίο εκμάθησης μηχανών εκατοντάδων σελίδων του Andriy Burkov είναι μια προσπάθεια να γίνει το ίδιο.
Το βιβλίο μηχανικής μάθησης είναι καλογραμμένο και υποστηρίζεται από διάσημους ηγέτες σκέψης, όπως ο Sujeet Varakhedi, Επικεφαλής Μηχανικής στο eBay και ο Peter Norvig, Διευθυντής Έρευνας της Google.
Είναι το καλύτερο βιβλίο για έναν αρχάριο στη μηχανική μάθηση. Αφού διαβάσετε προσεκτικά το βιβλίο, θα είστε σε θέση να κατασκευάσετε και να κατανοήσετε εξελιγμένα συστήματα τεχνητής νοημοσύνης, να επιτύχετε σε μια συνέντευξη μηχανικής μάθησης και ακόμη και να ξεκινήσετε τη δική σας εταιρεία που βασίζεται στο ML.
Ωστόσο, το βιβλίο δεν προορίζεται για εντελώς αρχάριους στη μηχανική εκμάθηση. Ψάξτε κάπου αν αναζητάτε κάτι πιο βασικό.
Θέματα που καλύπτονται στο βιβλίο
- Ανατομία του α μαθησιακός αλγόριθμος
- Εποπτευόμενη μάθηση και μάθηση χωρίς επίβλεψη
- Μάθηση Ενίσχυσης
- Βασικοί αλγόριθμοι Μηχανικής Μάθησης
- Επισκόπηση νευρωνικών δικτύων και βαθιάς μάθησης
4. Κατανόηση της Μηχανικής Μάθησης
Μια συστηματική εισαγωγή στη μηχανική μάθηση παρέχεται στο βιβλίο Understanding Machine Learning. Το βιβλίο εμβαθύνει στις θεμελιώδεις ιδέες, τα υπολογιστικά παραδείγματα και τις μαθηματικές παραγώγους της μηχανικής μάθησης.
Ένα ευρύ φάσμα θεμάτων μηχανικής μάθησης παρουσιάζεται με απλό τρόπο από τη μηχανική μάθηση. Οι θεωρητικές βάσεις της μηχανικής μάθησης περιγράφονται στο βιβλίο, μαζί με τις μαθηματικές παραγώγους που μετατρέπουν αυτές τις βάσεις σε χρήσιμους αλγόριθμους.
Το βιβλίο παρουσιάζει τις βασικές αρχές πριν καλύψει ένα ευρύ φάσμα κρίσιμων θεμάτων που δεν έχουν καλυφθεί από προηγούμενα σχολικά βιβλία.
Περιλαμβάνεται σε αυτό μια συζήτηση για τις έννοιες της κυρτότητας και της σταθερότητας και της υπολογιστικής πολυπλοκότητας της μάθησης, καθώς και σημαντικά αλγοριθμικά παραδείγματα όπως η στοχαστική κλίση κατάβασης, νευρωνικά δίκτυα και δομημένη μάθηση εξόδου, καθώς και νεοεμφανιζόμενες θεωρητικές ιδέες όπως η προσέγγιση PAC-Bayes και τα όρια που βασίζονται στη συμπίεση. σχεδιασμένο για αρχάριους ή προχωρημένους προπτυχιακούς.
Θέματα που καλύπτονται στο βιβλίο
- Η υπολογιστική πολυπλοκότητα της μηχανικής μάθησης
- Αλγόριθμοι ML
- Νευρωνικά δίκτυα
- Προσέγγιση PAC-Bayes
- Στοχαστική κλίση κάθοδος
- Μάθηση δομημένων εκροών
5. Εισαγωγή στη Μηχανική Μάθηση με Python
Είστε ένας επιστήμονας δεδομένων με γνώσεις Python και θέλετε να μελετήσετε τη μηχανική μάθηση; Το καλύτερο βιβλίο για να ξεκινήσετε την περιπέτεια μηχανικής μάθησης είναι το Introduction to Machine Learning with Python: A Guide for Data Scientists.
Με τη βοήθεια του βιβλίου Introduction to Machine Learning with Python: A Guide for Data Scientists, θα ανακαλύψετε μια ποικιλία από χρήσιμες τεχνικές για τη δημιουργία προσαρμοσμένων προγραμμάτων μηχανικής μάθησης.
Θα καλύψετε κάθε κρίσιμο βήμα που σχετίζεται με τη χρήση της Python και του πακέτου Scikit-Learn για τη δημιουργία αξιόπιστων εφαρμογών μηχανικής εκμάθησης.
Η κατανόηση των βιβλιοθηκών matplotlib και NumPy θα διευκολύνει πολύ την εκμάθηση.
Θέματα που καλύπτονται στο βιβλίο
- Σύγχρονες τεχνικές προσαρμογής παραμέτρων και αξιολόγησης μοντέλων
- Εφαρμογές και βασικές ιδέες μηχανικής εκμάθησης
- αυτοματοποιημένες τεχνικές εκμάθησης
- Τεχνικές χειρισμού δεδομένων κειμένου
- Μοντέλο αλυσίδων και ενθυλάκωσης ροής εργασιών
- Αναπαράσταση δεδομένων μετά την επεξεργασία
6. Hands-on Machine Learning με Sci-kit Learn, Keras & Tensorflow
Ανάμεσα στις πιο εμπεριστατωμένες δημοσιεύσεις για την επιστήμη δεδομένων και τη μηχανική μάθηση, είναι γεμάτη γνώσεις. Συνιστάται οι ειδικοί και οι αρχάριοι να μελετούν περισσότερο αυτό το θέμα.
Αν και αυτό το βιβλίο περιέχει μόνο μια μικρή ποσότητα θεωρίας, υποστηρίζεται από ισχυρά παραδείγματα, δίνοντάς του μια θέση στη λίστα.
Αυτό το βιβλίο περιλαμβάνει μια ποικιλία θεμάτων, όπως το scikit-learn για έργα μηχανικής μάθησης και το TensorFlow για τη δημιουργία και την εκπαίδευση νευρωνικών δικτύων.
Μετά την ανάγνωση αυτού του βιβλίου, πιστεύουμε ότι θα είστε καλύτερα εξοπλισμένοι για να εμβαθύνετε περισσότερο βαθιά μάθηση και να αντιμετωπίσει πρακτικά προβλήματα.
Θέματα που καλύπτονται στο βιβλίο
- Εξετάστε το τοπίο της μηχανικής μάθησης, ειδικά των νευρωνικών δικτύων
- Παρακολουθήστε ένα δείγμα έργου μηχανικής μάθησης από την αρχή μέχρι το τέλος χρησιμοποιώντας το Scikit-Learn.
- Εξετάστε διάφορα μοντέλα εκπαίδευσης, όπως τεχνικές συνόλου, τυχαία δάση, δέντρα αποφάσεων και μηχανές διανυσμάτων υποστήριξης.
- Δημιουργήστε και εκπαιδεύστε νευρωνικά δίκτυα χρησιμοποιώντας τη βιβλιοθήκη TensorFlow.
- Λάβετε υπόψη τα συνελικτικά δίκτυα, τα επαναλαμβανόμενα δίκτυα και την εκμάθηση βαθιάς ενίσχυσης κατά την εξερεύνηση νευρωνικό δίχτυ σχέδια.
- Μάθετε πώς να κλιμακώνετε και να εκπαιδεύετε βαθιά νευρωνικά δίκτυα.
7. Μηχανική εκμάθηση για χάκερ
Για τον έμπειρο προγραμματιστή που ενδιαφέρεται για την ανάλυση δεδομένων, έχει γραφτεί το βιβλίο Machine Learning for Hackers. Οι χάκερ είναι ικανοί μαθηματικοί σε αυτό το πλαίσιο.
Για κάποιον με καλή κατανόηση του R, αυτό το βιβλίο είναι μια εξαιρετική επιλογή επειδή το μεγαλύτερο μέρος του επικεντρώνεται στην ανάλυση δεδομένων στο R. Επιπλέον, στο βιβλίο καλύπτεται ο τρόπος χειρισμού δεδομένων χρησιμοποιώντας προηγμένο R.
Η συμπερίληψη σχετικών περιπτώσεων υπογραμμίζει την αξία της χρήσης αλγορίθμων μηχανικής μάθησης μπορεί να είναι το πιο σημαντικό σημείο πώλησης του βιβλίου Machine Learning for Hackers.
Το βιβλίο δίνει πολλά παραδείγματα πραγματικού κόσμου για να κάνει την εκμάθηση μηχανικής μάθησης πιο απλή και ταχύτερη αντί να εμβαθύνει στη μαθηματική θεωρία της.
Θέματα που καλύπτονται στο βιβλίο
- Δημιουργήστε έναν αφελή ταξινομητή Bayesian που αναλύει απλώς το περιεχόμενο ενός email για να προσδιορίσει εάν είναι ανεπιθύμητο.
- Πρόβλεψη του αριθμού των προβολών σελίδας για τους 1,000 κορυφαίους ιστότοπους με χρήση γραμμικής παλινδρόμησης
- Διερευνήστε μεθόδους βελτιστοποίησης επιχειρώντας να σπάσετε έναν απλό κρυπτογράφηση γραμμάτων.
8. Python Machine Learning με Παραδείγματα
Αυτό το βιβλίο, το οποίο σας βοηθά να κατανοήσετε και να δημιουργήσετε διάφορες μεθόδους Machine Learning, Deep Learning και Data Analysis, είναι πιθανότατα το μόνο που εστιάζει μόνο στην Python ως γλώσσα προγραμματισμού.
Καλύπτει πολλές ισχυρές βιβλιοθήκες για την εφαρμογή διαφορετικών αλγορίθμων Machine Learning, όπως το Scikit-Learn. Στη συνέχεια, η ενότητα Tensor Flow χρησιμοποιείται για να σας διδάξει σχετικά με τη βαθιά μάθηση.
Τέλος, καταδεικνύει τις πολλές ευκαιρίες ανάλυσης δεδομένων που μπορούν να επιτευχθούν χρησιμοποιώντας μηχανική και βαθιά μάθηση.
Σας διδάσκει επίσης τις πολυάριθμες τεχνικές που μπορούν να χρησιμοποιηθούν για να αυξήσετε την αποτελεσματικότητα του μοντέλου που δημιουργείτε.
Θέματα που καλύπτονται στο βιβλίο
- Εκμάθηση Python και Machine Learning: Ένας οδηγός για αρχάριους
- Εξέταση του συνόλου δεδομένων 2 ομάδων συζήτησης και εντοπισμού ανεπιθύμητων μηνυμάτων ηλεκτρονικού ταχυδρομείου Naive Bayes
- Χρησιμοποιώντας SVM, ταξινομήστε τα θέματα των ειδήσεων Πρόβλεψη κλικ προς αριθμό εμφανίσεων χρησιμοποιώντας αλγόριθμους που βασίζονται σε δέντρα
- Πρόβλεψη της αναλογίας κλικ προς αριθμό εμφανίσεων με χρήση λογιστικής παλινδρόμησης
- Η χρήση αλγορίθμων παλινδρόμησης για την πρόβλεψη των υψηλότερων προτύπων των τιμών των μετοχών
9. Μηχανική εκμάθηση Python
Το βιβλίο Python Machine Learning εξηγεί τις βασικές αρχές της μηχανικής μάθησης καθώς και τη σημασία της στον ψηφιακό τομέα. Είναι ένα βιβλίο μηχανικής εκμάθησης για αρχάριους.
Επιπλέον, στο βιβλίο καλύπτονται πολλά υποπεδία και εφαρμογές της μηχανικής εκμάθησης. Οι αρχές του προγραμματισμού Python και πώς να ξεκινήσετε με τη δωρεάν και ανοιχτού κώδικα γλώσσα προγραμματισμού καλύπτονται επίσης στο βιβλίο Python Machine Learning.
Αφού ολοκληρώσετε το βιβλίο μηχανικής εκμάθησης, θα μπορείτε να δημιουργήσετε αποτελεσματικά έναν αριθμό εργασιών μηχανικής εκμάθησης χρησιμοποιώντας κωδικοποίηση Python.
Θέματα που καλύπτονται στο βιβλίο
- Βασικές αρχές τεχνητής νοημοσύνης
- ένα δέντρο αποφάσεων
- Λογιστική παλινδρόμηση
- Σε βάθος νευρωνικά δίκτυα
- Βασικές αρχές γλώσσας προγραμματισμού Python
10. Μηχανική μάθηση: μια πιθανότητα προοπτική
Το Machine Learning: A Probabilistic Perspective είναι ένα χιουμοριστικό βιβλίο μηχανικής εκμάθησης που περιλαμβάνει νοσταλγικά έγχρωμα γραφικά και πρακτικά παραδείγματα πραγματικού κόσμου από κλάδους όπως η βιολογία, η όραση υπολογιστή, η ρομποτική και η επεξεργασία κειμένου.
Είναι γεμάτο περιστασιακή πρόζα και ψευδοκώδικα για βασικούς αλγόριθμους. Machine Learning: A Probabilistic Perspective, σε αντίθεση με άλλες εκδόσεις μηχανικής μάθησης που παρουσιάζονται σε στυλ βιβλίου μαγειρικής και περιγράφουν διάφορες ευρετικές προσεγγίσεις, εστιάζει σε μια προσέγγιση βασισμένη σε μοντέλα αρχών.
Καθορίζει μοντέλα ml χρησιμοποιώντας γραφικές αναπαραστάσεις με σαφή και κατανοητό τρόπο. Βασισμένο σε μια ενοποιημένη, πιθανολογική προσέγγιση, αυτό το εγχειρίδιο παρέχει μια πλήρη και αυτοτελή εισαγωγή στον τομέα της μηχανικής μάθησης.
Το περιεχόμενο είναι ευρύ και βαθύ, συμπεριλαμβανομένου βασικού υλικού για θέματα όπως η πιθανότητα, η βελτιστοποίηση και η γραμμική άλγεβρα, καθώς και μια συζήτηση για τις σύγχρονες εξελίξεις στον τομέα, όπως τυχαία πεδία υπό όρους, τακτοποίηση L1 και βαθιά μάθηση.
Το βιβλίο είναι γραμμένο σε μια απλή, προσιτή γλώσσα, που περιέχει ψευδοκώδικα για τους κύριους σημαντικούς αλγόριθμους.
Θέματα που καλύπτονται στο βιβλίο
- Πιθανότητα
- Βαθιά μάθηση
- Τακτοποίηση L1
- Απόδοσης
- Επεξεργασία κειμένου
- Εφαρμογές Computer Vision
- Εφαρμογές ρομποτικής
11. Τα στοιχεία της στατιστικής μάθησης
Για το εννοιολογικό του πλαίσιο και για μια μεγάλη ποικιλία θεμάτων, αυτό το εγχειρίδιο μηχανικής μάθησης είναι συχνά αναγνωρισμένο στο πεδίο.
Αυτό το βιβλίο μπορεί να χρησιμοποιηθεί ως σημείο αναφοράς για οποιονδήποτε χρειάζεται να ασχοληθεί με θέματα όπως τα νευρωνικά δίκτυα και οι τεχνικές δοκιμών, καθώς και μια απλή εισαγωγή στη μηχανική μάθηση.
Το βιβλίο ωθεί επιθετικά τον αναγνώστη να κάνει τα δικά του πειράματα και έρευνες σε κάθε βήμα, καθιστώντας το πολύτιμο για την καλλιέργεια των ικανοτήτων και της περιέργειας που απαιτούνται για να γίνουν οι σχετικές προόδους σε μια ικανότητα ή εργασία μηχανικής μάθησης.
Είναι ένα σημαντικό εργαλείο για τους στατιστικολόγους και οποιονδήποτε ενδιαφέρεται για την εξόρυξη δεδομένων στις επιχειρήσεις ή την επιστήμη. Βεβαιωθείτε ότι καταλαβαίνετε τουλάχιστον τη γραμμική άλγεβρα πριν ξεκινήσετε αυτό το βιβλίο.
Θέματα που καλύπτονται στο βιβλίο
- Εποπτευόμενη μάθηση (πρόβλεψη) έως μάθηση χωρίς επίβλεψη
- Νευρωνικά δίκτυα
- Υποστήριξη διανυσματικά μηχανήματα
- Ταξινόμηση δέντρων
- Ενίσχυση αλγόριθμων
12. Αναγνώριση προτύπων και εκμάθηση μηχανών
Οι κόσμοι της αναγνώρισης προτύπων και της μηχανικής μάθησης μπορούν να εξερευνηθούν διεξοδικά σε αυτό το βιβλίο. Η Bayesian προσέγγιση για την αναγνώριση προτύπων παρουσιάστηκε αρχικά σε αυτή τη δημοσίευση.
Επιπλέον, το βιβλίο εξετάζει προκλητικά θέματα που χρειάζονται κατανόηση της πολυμεταβλητής, της επιστήμης δεδομένων και της θεμελιώδης γραμμικής άλγεβρας.
Σχετικά με τη μηχανική μάθηση και τις πιθανότητες, το βιβλίο αναφοράς προσφέρει κεφάλαια με σταδιακά δυσκολότερα επίπεδα πολυπλοκότητας με βάση τις τάσεις στα σύνολα δεδομένων. Δίνονται απλά παραδείγματα πριν από μια γενική εισαγωγή στην αναγνώριση προτύπων.
Το βιβλίο προσφέρει τεχνικές για προσεγγιστικά συμπεράσματα, που επιτρέπουν γρήγορες προσεγγίσεις σε περιπτώσεις που οι ακριβείς λύσεις είναι μη πρακτικές. Δεν υπάρχουν άλλα βιβλία που χρησιμοποιούν γραφικά μοντέλα για να περιγράψουν τις κατανομές πιθανοτήτων, αλλά το κάνει.
Θέματα που καλύπτονται στο βιβλίο
- Μπεϋζιανές μέθοδοι
- Κατά προσέγγιση αλγόριθμοι συμπερασμάτων
- Νέα μοντέλα βασισμένα σε πυρήνες
- Εισαγωγή στη βασική θεωρία πιθανοτήτων
- Εισαγωγή στην αναγνώριση προτύπων και τη μηχανική μάθηση
13. Βασικές αρχές μηχανικής μάθησης από την ανάλυση προγνωστικών δεδομένων
Εάν έχετε κατακτήσει τις βασικές αρχές της μηχανικής μάθησης και θέλετε να προχωρήσετε στην προγνωστική ανάλυση δεδομένων, αυτό είναι το βιβλίο για εσάς!!! Με την εύρεση μοτίβων από τεράστια σύνολα δεδομένων, η Μηχανική Μάθηση μπορεί να χρησιμοποιηθεί για την ανάπτυξη μοντέλων πρόβλεψης.
Αυτό το βιβλίο εξετάζει την εφαρμογή της χρήσης ML Προγνωστική ανάλυση δεδομένων σε βάθος, συμπεριλαμβανομένων τόσο των θεωρητικών αρχών όσο και των πραγματικών παραδειγμάτων.
Παρά το γεγονός ότι ο τίτλος «Βασικές αρχές της μηχανικής μάθησης για προγνωστικές αναλύσεις δεδομένων» είναι μπουκωμένος, αυτό το βιβλίο θα περιγράψει το ταξίδι της Προγνωστικής Ανάλυσης Δεδομένων από τα δεδομένα στη γνώση και στο συμπέρασμα.
Εξετάζει επίσης τέσσερις προσεγγίσεις μηχανικής μάθησης: μάθηση βάσει πληροφοριών, μάθηση με βάση την ομοιότητα, μάθηση βάσει πιθανοτήτων και μάθηση βάσει σφαλμάτων, καθεμία με μια μη τεχνική εννοιολογική εξήγηση που ακολουθείται από μαθηματικά μοντέλα και αλγόριθμους με παραδείγματα.
Θέματα που καλύπτονται στο βιβλίο
- Μάθηση με βάση τις πληροφορίες
- Μάθηση με βάση την ομοιότητα
- Μάθηση με βάση πιθανότητες
- Μάθηση βασισμένη σε σφάλματα
14. Εφαρμοσμένη Προγνωστική Μοντελοποίηση
Το Applied Predictive Modeling εξετάζει ολόκληρη τη διαδικασία προγνωστικής μοντελοποίησης, ξεκινώντας από τις κρίσιμες φάσεις της προεπεξεργασίας δεδομένων, του διαχωρισμού δεδομένων και των θεμελίων συντονισμού μοντέλων.
Στη συνέχεια, η εργασία παρουσιάζει σαφείς περιγραφές μιας ποικιλίας συμβατικών και πρόσφατων προσεγγίσεων παλινδρόμησης και ταξινόμησης, με έμφαση στην εμφάνιση και την επίλυση προκλήσεων δεδομένων του πραγματικού κόσμου.
Ο οδηγός παρουσιάζει όλες τις πτυχές της διαδικασίας μοντελοποίησης με πολλά πρακτικά παραδείγματα πραγματικού κόσμου και κάθε κεφάλαιο περιλαμβάνει ολοκληρωμένο κώδικα R για κάθε στάδιο της διαδικασίας.
Αυτός ο τόμος πολλαπλών χρήσεων μπορεί να χρησιμοποιηθεί ως εισαγωγή στα προγνωστικά μοντέλα και σε ολόκληρη τη διαδικασία μοντελοποίησης, ως οδηγός αναφοράς για επαγγελματίες ή ως κείμενο για προχωρημένα προπτυχιακά ή μεταπτυχιακά μαθήματα προγνωστικής μοντελοποίησης.
Θέματα που καλύπτονται στο βιβλίο
- Τεχνική παλινδρόμηση
- Τεχνική ταξινόμησης
- Πολύπλοκοι αλγόριθμοι ML
15. Μηχανική μάθηση: Η τέχνη και η επιστήμη των αλγορίθμων που έχουν νόημα στα δεδομένα
Εάν είστε μεσαίος ή ειδικός στη μηχανική μάθηση και θέλετε να επιστρέψετε στα βασικά στοιχεία, αυτό το βιβλίο είναι για εσάς! Αποδίδει πλήρως την πίστη στην τεράστια πολυπλοκότητα και το βάθος της Μηχανικής Εκμάθησης, χωρίς να παραβλέπει τις ενοποιητικές αρχές της (πολύ επίτευγμα!).
Μηχανική Μάθηση: Η Τέχνη και η Επιστήμη των Αλγορίθμων περιλαμβάνει αρκετές περιπτωσιολογικές μελέτες αυξανόμενης πολυπλοκότητας, καθώς και πολυάριθμα παραδείγματα και εικόνες (για να διατηρηθούν τα πράγματα ενδιαφέροντα!).
Το βιβλίο καλύπτει επίσης ένα ευρύ φάσμα λογικών, γεωμετρικών και στατιστικών μοντέλων, καθώς και περίπλοκα και νέα θέματα όπως η παραγοντοποίηση πινάκων και η ανάλυση ROC.
Θέματα που καλύπτονται στο βιβλίο
- Απλοποιεί τους αλγόριθμους μηχανικής μάθησης
- Λογικό μοντέλο
- Γεωμετρικό μοντέλο
- Στατιστικό μοντέλο
- Ανάλυση ROC
16. Εξόρυξη Δεδομένων: Πρακτικά Εργαλεία & Τεχνικές Μηχανικής Εκμάθησης
Χρησιμοποιώντας προσεγγίσεις από τη μελέτη συστημάτων βάσεων δεδομένων, μηχανικής μάθησης και στατιστικών, οι τεχνικές εξόρυξης δεδομένων μας δίνουν τη δυνατότητα να βρούμε μοτίβα σε τεράστιες ποσότητες δεδομένων.
Θα πρέπει να λάβετε το βιβλίο Εξόρυξη Δεδομένων: Πρακτικά Εργαλεία και Τεχνικές Μηχανικής Εκμάθησης εάν χρειάζεται να μελετήσετε ειδικότερα τεχνικές εξόρυξης δεδομένων ή σκοπεύετε να μάθετε τη μηχανική μάθηση γενικά.
Το καλύτερο βιβλίο για τη μηχανική μάθηση επικεντρώνεται περισσότερο στην τεχνική του πλευρά. Εμβαθύνει περαιτέρω στις τεχνικές περιπλοκές της μηχανικής μάθησης και στις στρατηγικές για τη συλλογή δεδομένων και τη χρήση διαφόρων εισροών και εκροών για την κρίση των αποτελεσμάτων.
Θέματα που καλύπτονται στο βιβλίο
- Γραμμικά μοντέλα
- Ομαδοποίηση
- Στατιστική μοντελοποίηση
- Πρόβλεψη απόδοσης
- Σύγκριση μεθόδων εξόρυξης δεδομένων
- Εκμάθηση βασισμένη σε περιπτώσεις
- Αναπαράσταση γνώσης & συμπλέγματα
- Παραδοσιακές και σύγχρονες τεχνικές εξόρυξης δεδομένων
17. Python για ανάλυση δεδομένων
Η ικανότητα αξιολόγησης των δεδομένων που χρησιμοποιούνται στη μηχανική μάθηση είναι η πιο σημαντική δεξιότητα που πρέπει να διαθέτει ένας επιστήμονας δεδομένων. Πριν αναπτύξετε ένα μοντέλο ML που παράγει μια ακριβή πρόβλεψη, το μεγαλύτερο μέρος της εργασίας σας θα περιλαμβάνει χειρισμό, επεξεργασία, καθαρισμό και αξιολόγηση δεδομένων.
Πρέπει να είστε εξοικειωμένοι με γλώσσες προγραμματισμού όπως οι Pandas, NumPy, Ipython και άλλες για να εκτελέσετε ανάλυση δεδομένων.
Εάν θέλετε να εργαστείτε στην επιστήμη δεδομένων ή τη μηχανική μάθηση, πρέπει να έχετε τη δυνατότητα να χειρίζεστε δεδομένα.
Θα πρέπει οπωσδήποτε να διαβάσετε το βιβλίο Python for Data Analysis σε αυτή την περίπτωση.
Θέματα που καλύπτονται στο βιβλίο
- Ουσιώδης Βιβλιοθήκες της Python
- Προηγμένα Πάντα
- Παραδείγματα Ανάλυσης Δεδομένων
- Καθαρισμός και Προετοιμασία Δεδομένων
- Μαθηματικές και Στατιστικές Μέθοδοι
- Περίληψη και Υπολογισμός Περιγραφικών Στατιστικών
18. Επεξεργασία φυσικής γλώσσας με Python
Το θεμέλιο των συστημάτων μηχανικής μάθησης είναι η επεξεργασία φυσικής γλώσσας.
Το βιβλίο Επεξεργασία Φυσικής Γλώσσας με Python σάς καθοδηγεί για το πώς να χρησιμοποιήσετε το NLTK, μια δημοφιλή συλλογή λειτουργιών Python και εργαλείων για συμβολική και στατιστική επεξεργασία φυσικής γλώσσας για τα αγγλικά και το NLP γενικά.
Το βιβλίο Επεξεργασία Φυσικής Γλώσσας με Python παρέχει αποτελεσματικές ρουτίνες Python που επιδεικνύουν το NLP με συνοπτικό, προφανή τρόπο.
Οι αναγνώστες έχουν πρόσβαση σε καλά σχολιασμένα σύνολα δεδομένων για την αντιμετώπιση μη δομημένων δεδομένων, γλωσσικής δομής κειμένου και άλλα στοιχεία που εστιάζουν στο NLP.
Θέματα που καλύπτονται στο βιβλίο
- Πώς λειτουργεί η ανθρώπινη γλώσσα;
- Γλωσσικές δομές δεδομένων
- Εργαλειοθήκη φυσικής γλώσσας (NLTK)
- Ανάλυση και σημασιολογική ανάλυση
- Δημοφιλείς γλωσσικές βάσεις δεδομένων
- Ενσωμάτωση τεχνικών από τεχνητή νοημοσύνη και γλωσσολογία
19. Προγραμματισμός συλλογικής νοημοσύνης
Το Programming Collective Intelligence του Toby Segaran, το οποίο θεωρείται ένα από τα καλύτερα βιβλία για την κατανόηση της μηχανικής μάθησης, γράφτηκε το 2007, χρόνια πριν η επιστήμη δεδομένων και η μηχανική μάθηση αποκτήσουν τη σημερινή τους θέση ως κορυφαίοι επαγγελματικοί δρόμοι.
Το βιβλίο χρησιμοποιεί την Python ως τη μέθοδο για τη διάδοση της τεχνογνωσίας του στο κοινό του. Το Programming Collective Intelligence είναι περισσότερο ένα εγχειρίδιο για την υλοποίηση ml παρά μια εισαγωγή στη μηχανική μάθηση.
Το βιβλίο παρέχει πληροφορίες σχετικά με την ανάπτυξη αποτελεσματικών αλγορίθμων ML για τη συλλογή δεδομένων από εφαρμογές, τον προγραμματισμό για τη λήψη δεδομένων από ιστότοπους και την προέκταση των δεδομένων που συλλέγονται.
Κάθε κεφάλαιο περιλαμβάνει δραστηριότητες για την επέκταση των αλγορίθμων που συζητήθηκαν και την ενίσχυση της χρησιμότητάς τους.
Θέματα που καλύπτονται στο βιβλίο
- Μπεϋζιανό φιλτράρισμα
- Υποστήριξη διανυσματικά μηχανήματα
- Αλγόριθμοι μηχανών αναζήτησης
- Τρόποι για να κάνετε προβλέψεις
- Τεχνικές συνεργατικού φιλτραρίσματος
- Μη αρνητική παραγοντοποίηση μήτρας
- Η εξελισσόμενη νοημοσύνη για την επίλυση προβλημάτων
- Μέθοδοι ανίχνευσης ομάδων ή μοτίβων
20. Deep Learning (Adaptative Computation and Machine Learning Series)
Όπως όλοι γνωρίζουμε, η βαθιά εκμάθηση είναι ένα βελτιωμένο είδος μηχανικής μάθησης που δίνει τη δυνατότητα στους υπολογιστές να μαθαίνουν από προηγούμενες επιδόσεις και μεγάλο όγκο δεδομένων.
Ενώ χρησιμοποιείτε τεχνικές μηχανικής μάθησης, πρέπει επίσης να είστε εξοικειωμένοι με τις αρχές βαθιάς μάθησης. Αυτό το βιβλίο, το οποίο θεωρείται η Βίβλος της βαθιάς μάθησης, θα είναι πολύ χρήσιμο σε αυτήν την περίπτωση.
Τρεις ειδικοί σε βάθος μάθησης καλύπτουν εξαιρετικά περίπλοκα θέματα που είναι γεμάτα με μαθηματικά και βαθιά γενετικά μοντέλα σε αυτό το βιβλίο.
Παρέχοντας μια μαθηματική και εννοιολογική βάση, η εργασία συζητά σχετικές ιδέες στη γραμμική άλγεβρα, τη θεωρία πιθανοτήτων, τη θεωρία πληροφοριών, τον αριθμητικό υπολογισμό και τη μηχανική μάθηση.
Εξετάζει εφαρμογές όπως επεξεργασία φυσικής γλώσσας, αναγνώριση ομιλίας, όραση υπολογιστή, συστήματα online συστάσεων, βιοπληροφορική και βιντεοπαιχνίδια και περιγράφει τεχνικές βαθιάς μάθησης που χρησιμοποιούνται από επαγγελματίες του κλάδου, όπως δίκτυα βαθιάς ανατροφοδότησης, τακτοποίηση και αλγόριθμοι βελτιστοποίησης, συνελικτικά δίκτυα και πρακτική μεθοδολογία .
Θέματα που καλύπτονται στο βιβλίο
- Αριθμητικός Υπολογισμός
- Έρευνα βαθιάς μάθησης
- Τεχνικές Computer Vision
- Δίκτυα Deep Feedforward
- Βελτιστοποίηση για Εκπαίδευση μοντέλων σε βάθος
- Πρακτική Μεθοδολογία
- Έρευνα βαθιάς μάθησης
Συμπέρασμα
Τα 20 κορυφαία βιβλία μηχανικής μάθησης συνοψίζονται σε αυτήν τη λίστα, τα οποία μπορείτε να χρησιμοποιήσετε για να προχωρήσετε στη μηχανική μάθηση προς την κατεύθυνση που θέλετε.
Θα είστε σε θέση να αναπτύξετε μια σταθερή βάση στην τεχνογνωσία της μηχανικής μάθησης και μια βιβλιοθήκη αναφοράς που μπορείτε να χρησιμοποιείτε συχνά ενώ εργάζεστε στην περιοχή, εάν διαβάζετε μια ποικιλία από αυτά τα σχολικά βιβλία.
Θα εμπνευστείτε να συνεχίσετε να μαθαίνετε, να βελτιώνεστε και να έχετε αποτέλεσμα ακόμα κι αν διαβάσετε μόνο ένα βιβλίο.
Όταν είστε προετοιμασμένοι και ικανοί να αναπτύξετε τους δικούς σας αλγόριθμους μηχανικής εκμάθησης, έχετε κατά νου ότι τα δεδομένα είναι ζωτικής σημασίας για την επιτυχία του έργου σας.
Αφήστε μια απάντηση