Enhavtabelo[Kaŝi][Montri]
Cetere, ni ĉiuj konscias kiom rapide evoluis maŝinlernado teknologio en la lastaj pluraj jaroj. Maŝina lernado estas disciplino, kiu altiris la intereson de pluraj korporacioj, akademiuloj kaj sektoroj.
Pro tio, mi diskutos kelkajn el la plej bonegaj libroj pri maŝinlernado, kiujn inĝeniero aŭ novulo devus legi hodiaŭ. Vi ĉiuj konsentis, ke legi librojn ne estas la sama kiel uzi la intelekton.
Legado de libroj helpas niajn mensojn malkovri multajn novajn aferojn. Legi ja estas lernado. Memlernanta etikedo estas tre amuza por havi. La plej bonegaj lernolibroj disponeblaj en la kampo estos elstarigitaj en ĉi tiu artikolo.
La sekvaj lernolibroj ofertas provitan kaj veran enkondukon al la pli granda kampo de AI kaj estas ofte uzataj en universitataj kursoj kaj rekomenditaj de akademiuloj kaj inĝenieroj egale.
Eĉ se vi havas tunon da maŝinlernado sperto, preni unu el ĉi tiuj lernolibroj povus esti bonega maniero por retuŝi. Post ĉio, lernado estas kontinua procezo.
1. Maŝina Lernado Por Absolutaj Komencantoj
Vi ŝatus studi maŝinlernadon sed ne scias kiel fari ĝin. Estas pluraj decidaj teoriaj kaj statistikaj konceptoj, kiujn vi devus kompreni antaŭ ol komenci vian epopean vojaĝon al maŝinlernado. Kaj ĉi tiu libro plenigas tiun bezonon!
Ĝi ofertas kompletajn novulojn kun altnivela, aplikebla enkonduko al maŝinlernado. La libro Maŝinlernado por Absolutaj Komencantoj estas unu el la plej bonaj elektoj por iu ajn serĉanta la plej simpligitan klarigon pri maŝinlernado kaj rilataj ideoj.
La multnombraj ml-algoritmoj de la libro estas akompanataj de koncizaj klarigoj kaj grafikaj ekzemploj por helpi legantojn kompreni ĉion pridiskutitan.
Temoj kovritaj en la libro
- Bazoj de Neŭraj retoj
- Regresiga analizo
- Karakterizaĵa inĝenierado
- Agrupamiento
- Krucvalidigo
- Teknikoj pri frotado de datumoj
- Decidaj Arboj
- Ensemblomodelado
2. Maŝina Lernado por Dummies
Maŝina lernado povus esti konfuza ideo por kutimaj homoj. Tamen, ĝi estas netaksebla por tiuj el ni, kiuj estas spertaj.
Sen ML, estas malfacile administri problemojn kiel interretajn serĉrezultojn, realtempajn reklamojn en retpaĝoj, aŭtomatigon aŭ eĉ spam-filtradon (Jes!).
Kiel rezulto, ĉi tiu libro ofertas al vi simplan enkondukon, kiu helpos vin lerni pli pri la enigma sfero de maŝinlernado. Kun la helpo de Maŝina Lernado Por Dummies, vi lernos kiel "paroli" lingvojn kiel Python kaj R, kiuj ebligos vin trejni komputilojn por fari padronrekonon kaj datuman analizon.
Aldone, vi lernos kiel uzi Python's Anaconda kaj R Studio por disvolvi en R.
Temoj kovritaj en la libro
- Preparado de datumoj
- aliroj por maŝinlernado
- La maŝinlernado ciklo
- Kontrolita kaj nekontrolita lernado
- Trejnado de maŝinlernado-sistemoj
- Ligi maŝinlernajn metodojn al rezultoj
3. La Cent Paĝa Maŝinlernada Libro
Ĉu eblas kovri ĉiujn aspektojn de maŝinlernado en malpli ol 100 paĝoj? La Cent-Paĝa Maŝinlernado-Libro de Andriy Burkov estas provo fari la samon.
La libro pri maŝinlernado estas bone verkita kaj subtenata de famaj pensgvidantoj inkluzive de Sujeet Varakhedi, Estro de Inĝenieristiko ĉe eBay, kaj Peter Norvig, Direktoro de Esplorado ĉe Google.
Ĝi estas la plej bonega libro por komencanto en maŝinlernado. Post plene leganta la libron, vi povos konstrui kaj kompreni sofistikajn AI-sistemojn, sukcesi en maŝinlernada intervjuo kaj eĉ lanĉi vian propran ML-bazitan kompanion.
Tamen, la libro ne estas destinita por kompletaj komencantoj en maŝinlernado. Rigardu ien se vi serĉas ion pli fundamentan.
Temoj kovritaj en la libro
- Anatomio de a lerna algoritmo
- Kontrolita lernado kaj nekontrolita lernado
- Plifortiga Lernado
- Fundamentaj algoritmoj de Maŝina Lernado
- Superrigardo de Neŭralaj retoj kaj profunda lernado
4. Komprenante Maŝinlernadon
Sistema enkonduko al maŝinlernado estas disponigita en la libro Understanding Machine Learning. La libro profunde enprofundiĝas en la bazajn ideojn, komputilajn paradigmojn kaj matematikajn derivaĵojn de maŝinlernado.
Ampleksa gamo de maŝinlernado subjektoj estas prezentita en simpla maniero per maŝinlernado. La teoriaj fundamentoj de maŝinlernado estas priskribitaj en la libro, kune kun la matematikaj derivaĵoj kiuj igas tiujn fundamentojn utilajn algoritmojn.
La libro prezentas la bazaĵojn antaŭ kovrado de larĝa gamo de decidaj temoj kiuj ne estis kovritaj de pli fruaj lernolibroj.
Inkluditaj en tio estas diskuto de la konvekseco kaj stabileckonceptoj kaj la komputila komplekseco de lernado, same kiel signifaj algoritmaj paradigmoj kiel stokasta. gradienta descendo, neŭralaj retoj, kaj strukturita produktaĵlernado, same kiel lastatempe emerĝantaj teoriaj ideoj kiel la PAC-Bayes-aliro kaj kunpremad-bazitaj saltegoj. desegnita por komencaj graduloj aŭ progresintaj studentoj.
Temoj kovritaj en la libro
- La komputila komplekseco de maŝinlernado
- ML-algoritmoj
- Neŭronaj retoj
- PAC-Bayes alproksimiĝo
- Stokasta gradienta deveno
- Strukturita eligo-lernado
5. Enkonduko al Maŝina Lernado kun Python
Ĉu vi estas scipova pri datumoj pri Python, kiu volas studi maŝinlernadon? La plej bona libro por komenci vian maŝinlernadon per kiu estas Enkonduko al Maŝina Lernado kun Python: Gvidilo por Datumaj Sciencistoj.
Helpe de la libro Introduction to Machine Learning with Python: A Guide for Data Scientists, vi malkovros diversajn utilajn teknikojn por krei kutimajn maŝinlernajn programojn.
Vi kovros ĉiun decidan paŝon en uzado de Python kaj la Scikit-Learn-pakaĵo por konstrui fidindajn maŝinlernajn aplikojn.
Akiri solidan komprenon de la bibliotekoj matplotlib kaj NumPy multe plifaciligos lernadon.
Temoj kovritaj en la libro
- Modernaj teknikoj por parametra tajlado kaj modela taksado
- Aplikoj kaj bazaj maŝinlernadaj ideoj
- aŭtomatigitaj lernaj teknikoj
- Teknikoj por manipuli tekstajn datumojn
- Modelĉenado kaj laborfluo enkapsuliga duktoj
- Reprezento de datumoj post prilaborado
6. Praktika Maŝinlernado kun Sci-kit-lernado, Keras & Tensorflow
Inter la plej ĝisfundaj publikaĵoj pri datumscienco kaj maŝinlernado, ĝi estas plenplena de scio. Oni konsilas, ke spertuloj kaj novuloj studu pli pri ĉi tiu temo.
Kvankam ĉi tiu libro enhavas nur iom da teorio, ĝi estas subtenata de fortaj ekzemploj, donante al ĝi lokon en la listo.
Ĉi tiu libro inkluzivas diversajn temojn, inkluzive de scikit-learn por maŝinlernado-projektoj kaj TensorFlow por kreado kaj trejnado de neŭralaj retoj.
Post legado de ĉi tiu libro, ni pensas, ke vi estos pli bone ekipita por pliprofundiĝi profunda lernado kaj trakti praktikajn problemojn.
Temoj kovritaj en la libro
- Ekzamenu la pejzaĝon de maŝinlernado, precipe neŭralaj retoj
- Spuri specimenan maŝinlernadprojekton de komenco ĝis konkludo uzante Scikit-Learn.
- Ekzamenu plurajn trejnajn modelojn, kiel ensembloteknikojn, hazardajn arbarojn, decidajn arbojn kaj subtenajn vektorajn maŝinojn.
- Kreu kaj trejnu neŭralajn retojn uzante la bibliotekon TensorFlow.
- Konsideru konvoluciajn retojn, ripetiĝantajn retojn kaj profundan plifortigan lernadon dum esplorado neŭrala reto dezajnoj.
- Lernu kiel grimpi kaj trejni profundajn neŭralaj retoj.
7. Maŝina Lernado por Hackers
Por la sperta programisto interesita pri datuma analizo, la libro Machine Learning for Hackers estas verkita. Hakistoj estas lertaj matematikistoj en ĉi tiu kunteksto.
Por iu kun solida kompreno de R, ĉi tiu libro estas bonega elekto ĉar la plimulto de ĝi estas centrita sur datuma analizo en R. Aldone kovrita en la libro estas kiel manipuli datumojn uzante altnivelan R.
La inkludo de trafaj kazrakontoj emfazas la valoron de utiligado de maŝinlernado-algoritmoj povas esti la plej signifa vendpunkto de la libro Machine Learning for Hackers.
La libro donas multajn realmondajn ekzemplojn por igi lernan maŝinlernadon pli simpla kaj pli rapida prefere ol pliprofundiĝi en sian matematikan teorion pri ĝi.
Temoj kovritaj en la libro
- Kreu naivan Bajezan klasigilon, kiu analizas simple la enhavon de retpoŝto por determini ĉu ĝi estas spamo.
- Antaŭdiri la nombron da paĝaj vidoj por la plej bonaj 1,000 retejoj uzante linearan regreson
- Esploru optimumigajn metodojn provante fendi simplan leteran ĉifron.
8. Python Maŝinlernado kun Ekzemploj
Ĉi tiu libro, kiu helpas vin kompreni kaj krei diversajn Maŝinlernadon, Profundan Lernadon kaj Datuman Analizon, verŝajne estas la sola, kiu fokusiĝas nur pri Python kiel programlingvo.
Ĝi kovras plurajn potencajn bibliotekojn por efektivigi malsamajn Maŝinlernajn algoritmojn, kiel Scikit-Learn. La modulo Tensor Flow tiam estas uzata por instrui vin pri profunda lernado.
Fine, ĝi montras la multajn datumajn analizŝancojn, kiuj povas esti atingitaj per maŝina kaj profunda lernado.
Ĝi ankaŭ instruas al vi la multajn teknikojn, kiuj povas esti uzataj por pliigi la efikecon de la modelo, kiun vi kreas.
Temoj kovritaj en la libro
- Lernado de Python kaj Maŝina Lernado: Gvidilo por Komencantoj
- Ekzamenante la 2 novaĵgrupojn datumarojn kaj Naive Bayes-spam-retpoŝtan detekto
- Uzante SVMojn, klasifiku la temojn de novaĵhistorioj Klak-tra prognozo uzante algoritmojn bazitajn sur arboj
- Antaŭdiro de klak-trafteco uzante loĝistikan regreson
- La uzo de regresalgoritmoj por antaŭvidi la plej altajn normojn de akciaj prezoj
9. Python Maŝinlernado
La libro Python Machine Learning klarigas la bazojn de maŝinlernado same kiel ĝian signifon en la cifereca domajno. Ĝi estas maŝinlernada libro por komencantoj.
Aldone kovritaj en la libro estas multaj subkampoj kaj aplikoj de maŝinlernado. La principoj de Python-programado kaj kiel komenci kun la senpaga kaj malfermfonta programlingvo estas ankaŭ kovritaj en la libro Python Machine Learning.
Post finado de la maŝinlernada libro, vi povos efike establi kelkajn maŝinlernajn laborpostenojn uzante Python-kodigon.
Temoj kovritaj en la libro
- Fundamentoj pri artefarita inteligenteco
- decida arbo
- Loĝistika regreso
- Profundaj neŭralaj retoj
- Fundamentoj de Python programlingvo
10. Maŝinlernado: Probabla Perspektivo
Maŝinlernado: Probabla Perspektivo estas humura maŝinlernado libro kiu prezentas nostalgiajn kolorgrafikojn kaj praktikajn, realmondajn ekzemplojn de disciplinoj kiel ekzemple biologio, komputila vizio, robotiko, kaj tekstoprilaborado.
Ĝi estas plena de hazarda prozo kaj pseŭdokodo por esencaj algoritmoj. Maŝinlernado: Probabla Perspektivo, kontraste al aliaj maŝinlernado-publikaĵoj kiuj estas prezentitaj en la stilo de kuirlibro kaj priskribas diversajn heŭristikajn alirojn, temigas principan model-bazitan aliron.
Ĝi precizigas ml-modelojn uzante grafikajn prezentojn en klara kaj komprenebla maniero. Bazita sur unuigita, probabla aliro, ĉi tiu lernolibro disponigas kompletan kaj memstaran enkondukon al la areo de maŝinlernado.
La enhavo estas kaj larĝa kaj profunda, inkluzive de fundamenta fonmaterialo pri temoj kiel ekzemple probableco, optimumigo kaj lineara algebro, same kiel diskuto pri nuntempaj akceloj en la areo kiel ekzemple kondiĉaj hazardaj kampoj, L1 reguligo, kaj profunda lernado.
La libro estas skribita en hazarda, alirebla lingvo, enhavanta pseŭdo-kodon por la ĉefaj signifaj algoritmoj.
Temoj kovritaj en la libro
- Probablo
- Profunda lernado
- L1-reguligo
- optimumigo
- Teksta prilaborado
- Komputila Vida aplikoj
- Robotikaj aplikoj
11. La Elementoj de Statistika Lernado
Por sia koncipa kadro kaj ampleksa vario de temoj, ĉi tiu maŝinlernada lernolibro estas ofte agnoskita sur la kampo.
Ĉi tiu libro povas esti uzata kiel referenco por iu ajn, kiu bezonas pliprofundiĝi pri temoj kiel neŭralaj retoj kaj testaj teknikoj same kiel simpla enkonduko al maŝinlernado.
La libro ofensive puŝas la leganton fari siajn proprajn eksperimentojn kaj esplorojn ĉiuflanke, igante ĝin valora por kultivi la kapablojn kaj scivolemon necesajn por fari trafajn progresojn en maŝinlernada kapacito aŭ laboro.
Ĝi estas grava ilo por statistikistoj kaj iu ajn interesita pri datumminado en komerco aŭ scienco. Certigu, ke vi komprenas linian algebron minimume antaŭ ol komenci ĉi tiun libron.
Temoj kovritaj en la libro
- Kontrolita lernado (antaŭdiro) al nekontrolita lernado
- Neŭronaj retoj
- Subtenu vektorajn maŝinojn
- Klasifikaj arboj
- Plifortigo de algoritmoj
12. Ŝablono-Rekono kaj Maŝina Lernado
La mondoj de padronrekono kaj maŝinlernado povas esti ĝisfunde esploritaj en ĉi tiu libro. La Bajeza aliro al padronrekono estis origine prezentita en tiu publikigo.
Krome, la libro ekzamenas malfacilajn temojn kiuj bezonas funkcian komprenon de plurvaria, datumscienco kaj fundamenta lineara algebro.
Pri maŝinlernado kaj probablo, la referenclibro ofertas ĉapitrojn kun iom post iom pli malfacilaj niveloj de komplekseco bazitaj sur tendencoj en datumaroj. Simplaj ekzemploj estas donitaj antaŭ ĝenerala enkonduko al padronrekono.
La libro ofertas teknikojn por proksimuma inferenco, kiuj permesas rapidajn aproksimadojn en kazoj kiam precizaj solvoj estas nepraktikaj. Ekzistas neniuj aliaj libroj kiuj utiligas grafikajn modelojn por priskribi probablodistribuojn, sed jes.
Temoj kovritaj en la libro
- Bajezaj metodoj
- Proksimumaj konkludaj algoritmoj
- Novaj modeloj bazitaj sur kernoj
- Enkonduko al baza probabloteorio
- Enkonduko al padronrekono kaj maŝinlernado
13. Fundamentoj de Maŝina Lernado de Prodictive Data Analytics
Se vi regis la bazojn de maŝinlernado kaj volas pluiri al prognoza datuma analizo, ĉi tiu estas la libro por vi!!! Trovante ŝablonojn de masivaj datumaroj, Maŝinlernado povas esti uzata por evoluigi prognozajn modelojn.
Ĉi tiu libro ekzamenas la efektivigon de ML-uzado Prognoza Datuma Analizo profunde, inkluzive de kaj teoriaj principoj kaj realaj ekzemploj.
Malgraŭ la fakto, ke la titolo "Fundamentoj de Maŝina Lernado por Antaŭdikaj Datumoj-Analitiko" estas buŝpleno, ĉi tiu libro skizos la vojaĝon de Prodictive Data Analytics de datumoj ĝis kompreno ĝis konkludo.
Ĝi ankaŭ diskutas kvar maŝinlernajn alirojn: inform-bazita lernado, similec-bazita lernado, verŝajnec-bazita lernado, kaj erar-bazita lernado, ĉiu kun ne-teknika koncipa klarigo sekvita per matematikaj modeloj kaj algoritmoj kun ekzemploj.
Temoj kovritaj en la libro
- Inform-bazita lernado
- Simil-bazita lernado
- Lernado bazita sur probablo
- Erar-bazita lernado
14. Aplikata Prognoza Modelado
Aplikata Prognoza Modelado ekzamenas la tutan prognozan modeligan procezon, komencante kun la kritikaj fazoj de datumpretigo, datumdividado kaj modelaj agordaj fundamentoj.
La laboro tiam prezentas klarajn priskribojn de diversaj konvenciaj kaj lastatempaj regresaj kaj klasifikaj aliroj, kun fokuso pri montrado kaj solvado de realaj datendefioj.
La gvidilo montras ĉiujn aspektojn de la modeliga procezo kun pluraj praktikaj, realaj ekzemploj, kaj ĉiu ĉapitro inkluzivas ampleksan R-kodon por ĉiu etapo de la procezo.
Ĉi tiu universala volumeno povas esti uzata kiel enkonduko al prognozaj modeloj kaj la tuta modeladprocezo, kiel referencgvidisto por terapiistoj, aŭ kiel teksto por altnivelaj bakalaŭraj aŭ diplomiĝnivelaj prognozaj modeladkursoj.
Temoj kovritaj en la libro
- Teknika regreso
- Klasifika tekniko
- Kompleksaj ML-algoritmoj
15. Maŝina Lernado: La Arto kaj Scienco de Algoritmoj, kiuj Sencas Datumojn
Se vi estas meza aŭ spertulo pri maŝina lernado kaj volas reiri al la fundamentoj, ĉi tiu libro estas por vi! Ĝi donas plenan krediton al la enorma komplekseco kaj profundo de Maŝina Lernado dum neniam perdas de vido ĝiajn unuecigajn principojn (sufiĉe atingo!).
Maŝina Lernado: La Arto kaj Scienco de Algoritmoj inkluzivas plurajn kazesplorojn de kreskanta komplekseco, same kiel multajn ekzemplojn kaj bildojn (por konservi aferojn interesaj!).
La libro ankaŭ kovras larĝan gamon de logikaj, geometriaj kaj statistikaj modeloj, same kiel komplikajn kaj novajn temojn kiel matrica faktorigo kaj ROC-analizo.
Temoj kovritaj en la libro
- Simpligas maŝinlernajn algoritmojn
- Logika modelo
- Geometria modelo
- Statistika modelo
- ROC-analizo
16. Datuma Minado: Praktikaj Maŝinaj Lernado Iloj & Teknikoj
Uzante alirojn de la studo de datumbazaj sistemoj, maŝinlernado kaj statistiko, datumminadaj teknikoj ebligas al ni trovi ŝablonojn en vastaj kvantoj da datumoj.
Vi devus akiri la libron Datuma Minado: Praktikaj Maŝinlernado-Iloj kaj Teknikoj se vi bezonas precipe studi datumajn minindustriajn teknikojn aŭ planas lerni maŝinlernadon ĝenerale.
La plej bona libro pri maŝinlernado koncentriĝas pli pri sia teknika flanko. Ĝi pliprofundiĝas en la teknikajn komplikaĵojn de maŝinlernado kaj strategiojn por kolekti datumojn kaj uzi diversajn enigojn kaj elirojn por juĝi rezultojn.
Temoj kovritaj en la libro
- Liniaraj modeloj
- Agrupamiento
- Statistika modeligado
- Antaŭdiro de rendimento
- Komparante metodojn de minado de datumoj
- Instancbazita lernado
- Scio-reprezentado kaj aretoj
- Tradiciaj kaj modernaj datumminadaj teknikoj
17. Python por Datuma Analizo
La kapablo taksi la datumojn uzatajn en maŝinlernado estas la plej grava kapablo, kiun datuma sciencisto devas posedi. Antaŭ ol disvolvi ML-modelon, kiu produktas precizan prognozon, la plimulto de via laboro inkluzivas pritraktadon, prilaboradon, purigadon kaj taksadon de datumoj.
Vi devas koni programlingvojn kiel Pandas, NumPy, Ipython kaj aliajn por efektivigi datuman analizon.
Se vi volas labori en datumscienco aŭ maŝinlernado, vi devas havi la kapablon manipuli datumojn.
Vi certe devus legi la libron Python por Datuma Analizo en ĉi tiu kazo.
Temoj kovritaj en la libro
- Esenca Python-bibliotekoj
- Altnivelaj Pandoj
- Ekzemploj pri Datuma Analizo
- Datumpurigado kaj Preparado
- Matematikaj kaj Statistikaj Metodoj
- Resumado kaj Komputado de Priskriba Statistiko
18. Natura Lingvo Prilaborado kun Python
La fundamento de maŝinlernado-sistemoj estas naturlingva prilaborado.
La libro Natural Language Processing with Python instrukcias vin pri kiel uzi NLTK, tre ŝatatan kolekton de Python-moduloj kaj iloj por simbola kaj statistika naturlingva prilaborado por la angla kaj NLP ĝenerale.
La libro Naturlingva prilaborado kun Python provizas efikajn Python-rutinojn, kiuj montras NLP en konciza, evidenta maniero.
Legantoj havas aliron al bone komentitaj datumaroj por trakti nestrukturitajn datenojn, tekst-lingvan strukturon kaj aliajn NLP-fokusitajn elementojn.
Temoj kovritaj en la libro
- Kiel funkcias homa lingvo?
- Lingvaj datumstrukturoj
- Ilaro pri Natura Lingvo (NLTK)
- Analizo kaj semantika analizo
- Popularaj lingvaj datumbazoj
- Integri teknikojn de artefarita inteligento kaj lingvistiko
19. Programado de Kolektiva Inteligenteco
La Programming Collective Intelligence de Toby Segaran, kiu estas rigardata kiel unu el la plej bonegaj libroj por komenci kompreni maŝinlernadon, estis skribita en 2007, jarojn antaŭ ol datumscienco kaj maŝinlernado atingis sian nunan pozicion kiel gvidaj profesiaj vojoj.
La libro utiligas Python kiel la metodon por disvastigi sian kompetentecon al sia spektantaro. La Programado de Kolektiva Inteligenteco estas pli manlibro por ml-efektivigo ol ĝi estas enkonduko al maŝinlernado.
La libro disponigas informojn pri evoluigado de efikaj ML-algoritmoj por kolekti datumojn de programoj, programadon por akiri datumojn de retejoj kaj eksterpoli la datumojn kolektitajn.
Ĉiu ĉapitro inkluzivas agadojn por vastigi la diskutitajn algoritmojn kaj plibonigi ilian utilecon.
Temoj kovritaj en la libro
- Bajeza filtrado
- Subtenu vektorajn maŝinojn
- Algoritmoj de serĉiloj
- Manieroj fari antaŭdirojn
- Kunlaboraj filtraj teknikoj
- Nenegativa matrica faktorigo
- Evoluanta inteligenteco por solvado de problemoj
- Metodoj por detekti grupojn aŭ ŝablonojn
20. Profunda Lernado (Adapta Komputado kaj Maŝinlernado-Serio)
Kiel ni ĉiuj konscias, profunda lernado estas plibonigita speco de maŝinlernado, kiu ebligas komputilojn lerni de pasinta rendimento kaj granda kvanto da datumoj.
Dum vi uzas maŝinlernajn teknikojn, vi ankaŭ devas koni profundajn lernajn principojn. Ĉi tiu libro, kiu estas rigardata kiel la Biblio de profunda lernado, estos tre helpema en ĉi tiu cirkonstanco.
Tri fakuloj pri profunda lernado kovras tre komplikajn temojn plenigitajn de matematiko kaj profundaj generaj modeloj en ĉi tiu libro.
Disponigante matematikan kaj koncipan bazon, la laboro diskutas trafajn ideojn en lineara algebro, probabloteorio, informa teorio, nombra komputado, kaj maŝinlernado.
Ĝi ekzamenas aplikojn kiel naturlingva prilaborado, parolrekono, komputila vizio, interretaj rekomendaj sistemoj, bioinformadiko kaj videoludoj kaj priskribas profundajn lernajn teknikojn uzatajn de industrioterapiistoj, kiel profundajn retojn, reguligadon kaj optimumigajn algoritmojn, konvoluciajn retojn kaj praktikan metodaron. .
Temoj kovritaj en la libro
- Nombra Komputado
- Esplorado pri Profunda Lernado
- Teknikoj de Komputila Vidado
- Profunda Feedforward Retoj
- Optimumigo por Trejnado de Profundaj Modeloj
- Praktika Metodologio
- Esplorado pri Profunda Lernado
konkludo
La 20 ĉefaj maŝinlernado libroj estas resumitaj en tiu listo, kiun vi povas uzi por progresi maŝinlernadon en la direkto kiun vi ŝatas.
Vi povos evoluigi solidan bazon en maŝinlernado kompetenteco kaj referenca biblioteko, kiun vi povas uzi ofte dum vi laboras en la areo, se vi legas diversajn ĉi tiujn lernolibrojn.
Vi estos inspirita daŭre lerni, pliboniĝi kaj efiki eĉ se vi nur legas unu libron.
Kiam vi estas preta kaj kompetenta evoluigi viajn proprajn maŝinlernajn algoritmojn, memoru, ke datumoj estas esencaj por la sukceso de via projekto.
Lasi Respondon