Sisukord[Peida][Näita]
Muide, me kõik teame, kui kiiresti on masinõppetehnoloogia viimastel aastatel arenenud. Masinõpe on distsipliin, mis on äratanud huvi mitmete ettevõtete, akadeemikute ja sektorite seas.
Seetõttu käsitlen mõningaid parimaid masinõppe raamatuid, mida insener või algaja peaks täna lugema. Peate kõik nõustuma, et raamatute lugemine ei ole sama, mis intellekti kasutamine.
Raamatute lugemine aitab meie meeltel avastada palju uusi asju. Lugemine on ju õppimine. Iseõppija silt on väga lõbus. Selles artiklis tuuakse esile selle valdkonna parimad õpikud.
Järgmised õpikud pakuvad proovitud ja tõelist sissejuhatust tehisintellekti laiemasse valdkonda ning neid kasutatakse sageli ülikoolikursustel ning soovitavad nii akadeemikud kui ka insenerid.
Isegi kui teil on palju masinõpe kogemuse põhjal võib ühe neist õpikutest kätte võtmine olla suurepärane viis end värskendada. Õppimine on ju pidev protsess.
1. Masinõpe absoluutselt algajatele
Tahaksid õppida masinõpet, kuid ei tea, kuidas seda teha. On mitmeid olulisi teoreetilisi ja statistilisi kontseptsioone, millest peaksite mõistma, enne kui alustate oma eepilist reisi masinõppesse. Ja see raamat täidab selle vajaduse!
See pakub täielikku algajatele kõrgetasemelist, kohaldatavat sissejuhatus masinõppesse. Raamat Masinaõpe absoluutsetele algajatele on üks parimaid valikuid kõigile, kes otsivad masinõppe ja sellega seotud ideede kõige lihtsamat selgitust.
Raamatu arvukatele ml-algoritmidele on lisatud kokkuvõtlikud selgitused ja graafilised näited, mis aitavad lugejatel aru saada kõigest, millest räägitakse.
Raamatus käsitletavad teemad
- Põhitõed närvivõrgud
- Regressioonianalüüs
- Funktsioonide projekteerimine
- Clustering
- Ristvalideerimine
- Andmete puhastamise tehnikad
- Otsustuspuud
- Ansambli modelleerimine
2. Masinõpe mannekeenidele
Masinõpe võib tavainimeste jaoks olla segane idee. Siiski on see meile, kes on teadlikud, hindamatu.
Ilma ML-ita on raske hallata selliseid probleeme nagu võrguotsingu tulemused, reaalajas reklaamid veebilehtedel, automatiseerimine või isegi rämpsposti filtreerimine (jah!).
Selle tulemusena pakub see raamat teile otsekohese sissejuhatuse, mis aitab teil rohkem teada saada masinõppe mõistatuslikust valdkonnast. Rakenduse Machine Learning For Dummies abil saate teada, kuidas "rääkida" sellistes keeltes nagu Python ja R, mis võimaldab teil õpetada arvuteid tegema mustrituvastust ja andmeanalüüsi.
Lisaks saate teada, kuidas kasutada Pythoni Anacondat ja R Studiot R-is arendamiseks.
Raamatus käsitletavad teemad
- Andmete ettevalmistamine
- masinõppe lähenemisviisid
- Masinõppe tsükkel
- Juhendatud ja juhendamata õpe
- Masinõppesüsteemide koolitamine
- Masinõppemeetodite sidumine tulemustega
3. Saja lehekülje masinõppe raamat
Kas masinõppe kõiki aspekte on võimalik katta alla 100 leheküljega? Andriy Burkovi sajaleheküljeline masinõpperaamat on katse teha sama.
Masinõpperaamat on hästi kirjutatud ja seda toetavad tunnustatud mõtteliidrid, sealhulgas eBay tehnikajuht Sujeet Varakhedi ja Google'i uurimisdirektor Peter Norvig.
See on parim raamat masinõppe algajale. Pärast raamatu põhjalikku lugemist saate luua ja mõista keerukaid AI-süsteeme, õnnestuda masinõppeintervjuul ja isegi käivitada oma ML-põhise ettevõtte.
Raamat pole aga mõeldud masinõppes täiesti algajatele. Otsige kusagilt, kui otsite midagi põhjapanevamat.
Raamatus käsitletavad teemad
- Anatoomia a õppimisalgoritm
- Juhendatud õpe ja juhendamata õppimine
- Tugevdusõpe
- Masinõppe põhialgoritmid
- Ülevaade närvivõrkudest ja süvaõppest
4. Masinõppe mõistmine
Masinõppe süstemaatiline sissejuhatus on toodud raamatus Understanding Machine Learning. Raamat uurib põhjalikult masinõppe alusideid, arvutusparadigmasid ja matemaatilisi tuletusi.
Masinõpe pakub lihtsal viisil laia valikut masinõppeaineid. Raamatus on kirjeldatud masinõppe teoreetilisi aluseid koos matemaatiliste tuletistega, mis muudavad need alused kasulikeks algoritmideks.
Raamat tutvustab põhitõdesid, enne kui käsitletakse paljusid olulisi teemasid, mida varasemates õpikutes pole käsitletud.
See hõlmab arutelu kumeruse ja stabiilsuse mõistete ning õppimise arvutusliku keerukuse üle, aga ka olulisi algoritmilisi paradigmasid, nagu stohhastiline. gradient laskumine, närvivõrgud ja struktureeritud väljundõpe, aga ka äsja esilekerkivad teoreetilised ideed, nagu PAC-Bayesi lähenemisviis ja tihenduspõhised piirid. mõeldud algajatele või edasijõudnutele üliõpilastele.
Raamatus käsitletavad teemad
- Masinõppe arvutuslik keerukus
- ML algoritmid
- Neuraalsed võrgud
- PAC-Bayesi lähenemine
- Stohhastilise gradiendi laskumine
- Struktureeritud väljundõpe
5. Sissejuhatus Pythoniga masinõppesse
Kas olete Pythonit tundev andmeteadlane, kes soovib õppida masinõpet? Parim raamat masinõppe seikluse alustamiseks on Pythoni masinõppe sissejuhatus: juhend andmeteadlastele.
Raamatu Sissejuhatus Pythoniga masinõppesse: juhend andmeteadlastele abiga avastate mitmesuguseid kasulikke tehnikaid kohandatud masinõppeprogrammide loomiseks.
Te käsitlete kõiki Pythoni ja Scikit-Learni paketi kasutamisega seotud olulisi samme töökindlate masinõpperakenduste loomiseks.
Matplotlibi ja NumPy teekide selge arusaamise saamine muudab õppimise palju lihtsamaks.
Raamatus käsitletavad teemad
- Kaasaegsed tehnikad parameetrite muutmiseks ja mudelite hindamiseks
- Rakendused ja põhilised masinõppe ideed
- automatiseeritud õppetehnikad
- Tekstiandmetega manipuleerimise tehnikad
- Aheldamise ja töövoo kapseldamise torujuhtmete mudel
- Andmete esitus pärast töötlemist
6. Praktiline masinõpe koos Sci-kiti õppimisega, Keras ja Tensorflow
Andmeteaduse ja masinõppe kõige põhjalikumate väljaannete hulgas on see teadmisi täis. Soovitatav on nii ekspertidel kui ka algajatel seda teemat rohkem uurida.
Kuigi see raamat sisaldab vaid vähesel määral teooriat, toetavad seda tugevad näited, mis annavad sellele nimekirjas koha.
See raamat sisaldab mitmesuguseid teemasid, sealhulgas scikit-learn masinõppeprojektide jaoks ja TensorFlow närvivõrkude loomiseks ja koolitamiseks.
Arvame, et pärast selle raamatu lugemist olete paremini valmis sellesse süvenema sügav õpe ja tegeleda praktiliste probleemidega.
Raamatus käsitletavad teemad
- Uurige masinõppe maastikku, eriti närvivõrke
- Jälgige Scikit-Learni abil masinõppeprojekti näidisprojekti algusest lõpuni.
- Uurige mitmeid treeningmudeleid, nagu ansamblitehnikad, juhuslikud metsad, otsustuspuud ja tugivektorimasinad.
- Looge ja treenige närvivõrke, kasutades TensorFlow teeki.
- Uurides kaaluge konvolutsioonivõrke, korduvaid võrke ja sügavat tugevdavat õppimist närvivõrk disaine.
- Õppige sügavaid närvivõrke skaleerima ja treenima.
7. Masinõpe häkkeritele
Andmeanalüüsist huvitatud kogenud programmeerijale on kirjutatud raamat "Masinõpe häkkeritele". Häkkerid on selles kontekstis vilunud matemaatikud.
Neile, kes mõistavad R-i hästi, on see raamat suurepärane valik, kuna suurem osa sellest on keskendunud R-i andmeanalüüsile. Lisaks käsitletakse raamatus seda, kuidas töödelda andmeid täiustatud R-i abil.
Asjakohaste juhtumilugude lisamine rõhutab masinõppealgoritmide kasutamise väärtust, võib olla raamatu "Masinõpe häkkerite jaoks" kõige olulisem müügiargument.
Raamat pakub palju reaalseid näiteid, et muuta masinõppe õppimine lihtsamaks ja kiiremaks, selle asemel et süveneda selle matemaatilisesse teooriasse.
Raamatus käsitletavad teemad
- Looge naiivne Bayesi klassifikaator, mis analüüsib lihtsalt e-kirja sisu, et teha kindlaks, kas see on rämpspost.
- 1,000 populaarseima veebisaidi lehevaatamiste arvu ennustamine lineaarse regressiooni abil
- Uurige optimeerimismeetodeid, püüdes lahti murda lihtsa tähešifri.
8. Pythoni masinõpe näidetega
See raamat, mis aitab teil mõista ja luua erinevaid masinõppe, süvaõppe ja andmeanalüüsi meetodeid, on tõenäoliselt ainus, mis keskendub ainult Pythonile kui programmeerimiskeelele.
See hõlmab mitmeid tõhusaid teeke erinevate masinõppe algoritmide (nt Scikit-Learn) rakendamiseks. Tensor Flow moodulit kasutatakse seejärel sügava õppimise õpetamiseks.
Lõpuks demonstreerib see paljusid andmeanalüüsi võimalusi, mida on võimalik saavutada masin- ja süvaõppe abil.
Samuti õpetab see teile arvukalt tehnikaid, mida saab kasutada loodud mudeli tõhususe suurendamiseks.
Raamatus käsitletavad teemad
- Pythoni ja masinõppe õppimine: juhend algajatele
- Kahe uudisterühma andmestiku ja Naive Bayesi rämpspostituvastuse uurimine
- Klassifitseerige SVM-ide abil uudiste teemad Klõpsamise ennustamine puudel põhinevate algoritmide abil
- Klikkimissageduse prognoosimine logistilise regressiooni abil
- Regressioonialgoritmide kasutamine aktsiahindade kõrgeimate standardite prognoosimiseks
9. Pythoni masinõpe
Pythoni masinõppe raamat selgitab masinõppe põhialuseid ja selle tähtsust digitaalvaldkonnas. See on masinõpperaamat algajatele.
Lisaks käsitletakse raamatus masinõppe paljusid alamvaldkondi ja rakendusi. Pythoni programmeerimise põhimõtteid ja tasuta ja avatud lähtekoodiga programmeerimiskeelega alustamist käsitletakse ka Pythoni masinõppe raamatus.
Pärast masinõpperaamatu lõpetamist saate Pythoni kodeerimise abil tõhusalt luua mitmeid masinõppe töid.
Raamatus käsitletavad teemad
- Tehisintellekti põhialused
- otsustuspuu
- Logistiline regressioon
- Põhjalikud närvivõrgud
- Pythoni programmeerimiskeele põhitõed
10. Masinõpe: tõenäosuslik vaatenurk
Masinõpe: tõenäosuslik vaatenurk on humoorikas masinõpperaamat, mis sisaldab nostalgilist värvigraafikat ja praktilisi reaalseid näiteid sellistest erialadest nagu bioloogia, arvutinägemine, robootika ja tekstitöötlus.
See on täis juhuslikku proosat ja pseudokoodi oluliste algoritmide jaoks. Masinõpe: tõenäosuslik vaatenurk, erinevalt teistest kokaraamatu stiilis esitletavatest ja erinevaid heuristlikke lähenemisviise kirjeldavatest masinõppeväljaannetest, keskendub põhimõttelisele mudelipõhisele lähenemisele.
See määrab selgelt ja arusaadavalt graafilisi esitusi kasutades ml mudelid. See õpik, mis põhineb ühtsel tõenäosuslikul lähenemisviisil, annab täieliku ja iseseisva sissejuhatuse masinõppe valdkonda.
Sisu on nii laiaulatuslik kui ka sügav, hõlmates fundamentaalset taustamaterjali sellistel teemadel nagu tõenäosus, optimeerimine ja lineaaralgebra, aga ka arutelu selle valdkonna kaasaegsete edusammude üle, nagu tingimuslikud juhuslikud väljad, L1 seadustamine ja sügav õpe.
Raamat on kirjutatud argises ja ligipääsetavas keeles, mis sisaldab peamiste oluliste algoritmide pseudokoodi.
Raamatus käsitletavad teemad
- Tõenäosus
- Sügav õppimine
- L1 seadustamine
- Optimeerimine
- Teksti töötlemine
- Arvutinägemise rakendused
- Robootikarakendused
11. Statistikaõppe elemendid
Seda masinõppeõpikut tunnustatakse selles valdkonnas sageli oma kontseptuaalse raamistiku ja paljude erinevate ainete poolest.
Seda raamatut saab kasutada viitena kõigile, kellel on vaja värskendada selliseid teemasid nagu närvivõrgud ja testimistehnikad, samuti lihtne sissejuhatus masinõppesse.
Raamat sunnib agressiivselt lugejat igal sammul ise katseid ja uurimisi tegema, muutes selle väärtuslikuks nende võimete ja uudishimu arendamiseks, mida on vaja masinõppes või töökohas asjakohaste edusammude tegemiseks.
See on oluline tööriist statistikutele ja kõigile, kes on huvitatud andmekaevamisest äris või teaduses. Enne selle raamatu alustamist veenduge, et mõistaksite vähemalt lineaaralgebrat.
Raamatus käsitletavad teemad
- Juhendatud õppimine (ennustus) kuni juhendamata õppimiseni
- Neuraalsed võrgud
- Toetage vektormasinaid
- Klassifikatsioonipuud
- Võimendavad algoritmid
12. Mustri tuvastamine ja masinõpe
Selles raamatus saab põhjalikult tutvuda mustrituvastuse ja masinõppe maailmadega. Selles väljaandes esitleti algselt Bayesi lähenemist mustrite tuvastamisele.
Lisaks käsitleb raamat keerukaid teemasid, mis vajavad mitme muutujaga, andmeteaduse ja fundamentaalse lineaaralgebra mõistmist.
Masinõppe ja tõenäosuse kohta pakub teatmeteos peatükke, mille keerukusaste on andmekogude suundumuste põhjal järjest raskem. Enne mustrituvastuse üldist sissejuhatust on toodud lihtsad näited.
Raamat pakub ligikaudsete järelduste tegemise tehnikaid, mis võimaldavad kiireid lähendusi juhtudel, kui täpsed lahendused on ebapraktilised. Pole olemas teisi raamatuid, mis kasutaksid tõenäosusjaotuste kirjeldamiseks graafilisi mudeleid, kuid see on nii.
Raamatus käsitletavad teemad
- Bayesi meetodid
- Ligikaudsed järeldusalgoritmid
- Uued mudelid, mis põhinevad tuumadel
- Sissejuhatus põhitõenäosusteooriasse
- Sissejuhatus mustrituvastusse ja masinõppesse
13. Masinõppe põhialused ennustavast andmeanalüüsist
Kui olete omandanud masinõppe põhialused ja soovite liikuda edasi ennustava andmeanalüütika juurde, on see raamat teile!!! Massõpet saab kasutada ennustusmudelite väljatöötamiseks, leides massiivsetest andmekogumitest mustreid.
See raamat uurib ML-i kasutamise rakendamist Ennustav andmeanalüüs põhjalik, hõlmates nii teoreetilisi põhimõtteid kui ka tegelikke näiteid.
Hoolimata asjaolust, et pealkiri „Masinõppe põhialused ennustava andmeanalüüsi jaoks” on suutäis, kirjeldab see raamat ennustava andmeanalüüsi teekonda andmetest ülevaateni ja järelduseni.
Samuti käsitletakse nelja masinõppe lähenemisviisi: teabepõhine õpe, sarnasuspõhine õpe, tõenäosuspõhine õpe ja veapõhine õpe, millest igaühel on mittetehniline kontseptuaalne selgitus, millele järgneb matemaatilised mudelid ja algoritmid koos näidetega.
Raamatus käsitletavad teemad
- Infopõhine õpe
- Sarnasuspõhine õpe
- Tõenäosuspõhine õpe
- Veapõhine õpe
14. Rakenduslik ennustav modelleerimine
Applied Predictive Modeling uurib kogu ennustava modelleerimise protsessi, alustades andmete eeltöötluse, andmete jagamise ja mudeli häälestamise kriitilistest etappidest.
Seejärel esitatakse töös selged kirjeldused mitmesuguste tavapäraste ja hiljutiste regressiooni- ja klassifitseerimismeetodite kohta, keskendudes reaalsete andmeprobleemide näitamisele ja lahendamisele.
Juhendis demonstreeritakse modelleerimisprotsessi kõiki aspekte mitme praktilise reaalmaailma näitega ning iga peatükk sisaldab põhjalikku R-koodi iga protsessi etapi jaoks.
Seda mitmeotstarbelist köidet saab kasutada ennustavate mudelite ja kogu modelleerimisprotsessi sissejuhatusena, praktikutele mõeldud juhendina või edasijõudnute bakalaureuse- või magistriõppe taseme ennustava modelleerimise kursuste tekstina.
Raamatus käsitletavad teemad
- Tehniline regressioon
- Klassifitseerimise tehnika
- Keerulised ML-algoritmid
15. Masinõpe: algoritmide kunst ja teadus, mis mõtestab andmeid
Kui olete masinõppe keskastme või asjatundja ja soovite põhialuste juurde tagasi pöörduda, on see raamat teie jaoks! See tunnustab täielikult masinõppe tohutut keerukust ja sügavust, unustamata seejuures kunagi selle ühendavaid põhimõtteid (üsna saavutus!).
Masinõpe: Algoritmide kunst ja teadus sisaldab mitmeid üha keerukamaid juhtumiuuringuid, samuti arvukalt näiteid ja pilte (et asjad oleksid huvitavad!).
Raamat hõlmab ka laia valikut loogilisi, geomeetrilisi ja statistilisi mudeleid, aga ka keerulisi ja uudseid teemasid, nagu maatriksfaktoriseerimine ja ROC-analüüs.
Raamatus käsitletavad teemad
- Lihtsustab masinõppe algoritme
- Loogiline mudel
- Geomeetriline mudel
- Statistiline mudel
- ROC analüüs
16. Andmekaevandamine: praktilised masinõppe tööriistad ja tehnikad
Andmekaevetehnikad, kasutades andmebaasisüsteemide, masinõppe ja statistika uurimisel saadud lähenemisviise, võimaldavad meil leida mustreid suures koguses andmemahus.
Peaksite hankima raamatu Data Mining: Practical Machine Learning Tools and Techniques, kui teil on vaja uurida konkreetselt andmekaevetehnikaid või plaanite õppida masinõpet üldiselt.
Parim masinõppe raamat keskendub rohkem selle tehnilisele küljele. See käsitleb veelgi masinõppe tehnilisi keerukusi ja strateegiaid andmete kogumiseks ning erinevate sisendite ja väljundite kasutamist tulemuste hindamiseks.
Raamatus käsitletavad teemad
- Lineaarsed mudelid
- Clustering
- Statistiline modelleerimine
- Jõudluse ennustamine
- Andmekaeve meetodite võrdlemine
- Juhtumipõhine õpe
- Teadmiste esitus ja klastrid
- Traditsioonilised ja kaasaegsed andmekaevetehnikad
17. Python andmete analüüsimiseks
Oskus hinnata masinõppes kasutatavaid andmeid on kõige olulisem oskus, mis andmeteadlasel peab olema. Enne täpset prognoosi koostava ML-mudeli väljatöötamist hõlmab suurem osa teie tööst andmete käsitlemist, töötlemist, puhastamist ja hindamist.
Andmeanalüüsi tegemiseks peate olema tuttav programmeerimiskeeltega, nagu Pandas, NumPy, Ipython ja teised.
Kui soovite töötada andmeteaduse või masinõppe alal, peab teil olema andmetega manipuleerimise oskus.
Kindlasti tuleks sel juhul läbi lugeda raamat Python for Data Analysis.
Raamatus käsitletavad teemad
- oluline Pythoni raamatukogud
- Täiustatud pandad
- Andmete analüüsi näited
- Andmete puhastamine ja ettevalmistamine
- Matemaatilised ja statistilised meetodid
- Kirjeldava statistika kokkuvõtete tegemine ja arvutamine
18. Loomuliku keele töötlemine Pythoniga
Masinõppesüsteemide aluseks on loomulik keeletöötlus.
Raamat Natural Language Processing with Python juhendab, kuidas kasutada NLTK-d, Pythoni moodulite ja tööriistade kogumit sümboolseks ja statistiliseks loomuliku keele töötlemiseks inglise ja üldiselt NLP jaoks.
Raamat Natural Language Processing with Python pakub tõhusaid Pythoni rutiine, mis näitavad NLP-d lühidalt ja ilmselgelt.
Lugejatel on juurdepääs hästi kommenteeritud andmekogumitele struktureerimata andmete, tekstikeelelise struktuuri ja muude NLP-le keskendunud elementide käsitlemiseks.
Raamatus käsitletavad teemad
- Kuidas inimkeel toimib?
- Keelelised andmestruktuurid
- Loomuliku keele tööriistakomplekt (NLTK)
- Parsimine ja semantiline analüüs
- Populaarsed keelelised andmebaasid
- Integreerige tehnikaid alates tehisintellekti ja lingvistika
19. Kollektiivse intelligentsuse programmeerimine
Toby Segarani "Kollektiivne programmeerimine intelligentsus", mida peetakse üheks parimaks raamatuks masinõppe mõistmise alustamiseks, kirjutati 2007. aastal, aastaid enne seda, kui andmeteadus ja masinõpe saavutasid oma praeguse positsiooni juhtivate professionaalsete teedena.
Raamat kasutab Pythonit oma teadmiste levitamiseks publikule. Programmeerimise kollektiivne intelligentsus on pigem ml juurutamise juhend kui sissejuhatus masinõppesse.
Raamat pakub teavet tõhusate ML-algoritmide väljatöötamise kohta andmete kogumiseks rakendustest, programmeerimisest veebisaitidelt andmete hankimiseks ja kogutud andmete ekstrapoleerimiseks.
Iga peatükk sisaldab tegevusi käsitletavate algoritmide laiendamiseks ja nende kasulikkuse suurendamiseks.
Raamatus käsitletavad teemad
- Bayesi filtreerimine
- Toetage vektormasinaid
- Otsingumootori algoritmid
- Ennustuste tegemise viisid
- Koostöös põhinevad filtreerimistehnikad
- Mittenegatiivse maatriksi faktoriseerimine
- Arenev intelligentsus probleemide lahendamiseks
- Meetodid rühmade või mustrite tuvastamiseks
20. Süvaõpe (adaptatiivse arvutuse ja masinõppe sari)
Nagu me kõik teame, on süvaõpe täiustatud masinõppe tüüp, mis võimaldab arvutitel õppida varasemast jõudlusest ja suurest andmehulgast.
Masinõppe tehnikaid kasutades peate olema kursis ka süvaõppe põhimõtetega. Sellest raamatust, mida peetakse sügava õppimise piibliks, on sel juhul palju abi.
Kolm süvaõppe eksperti käsitlevad selles raamatus väga keerulisi teemasid, mis on täis matemaatikat ja sügavaid generatiivseid mudeleid.
Matemaatilise ja kontseptuaalse aluse pakkumisel käsitletakse töös asjakohaseid ideid lineaaralgebra, tõenäosusteooria, teabeteooria, arvarvutamise ja masinõppe vallas.
Selles uuritakse selliseid rakendusi nagu loomuliku keele töötlemine, kõnetuvastus, arvutinägemine, võrgusoovitussüsteemid, bioinformaatika ja videomängud ning kirjeldatakse süvaõppe tehnikaid, mida kasutavad tööstuse praktikud, nagu näiteks sügavad edasisuunamisvõrgud, regulatsiooni- ja optimeerimisalgoritmid, konvolutsioonivõrgud ja praktiline metoodika. .
Raamatus käsitletavad teemad
- Arvuline arvutamine
- Süvaõppe uurimine
- Arvutinägemise tehnikad
- Sügavad edasisuunamisvõrgud
- Optimeerimine süvamudelite koolitamiseks
- Praktiline metoodika
- Süvaõppe uurimine
Järeldus
Selles loendis on kokku võetud 20 parimat masinõpperaamatut, mida saate kasutada masinõppe edenemiseks soovitud suunas.
Kui loete mitmesuguseid neid õpikuid, saate luua tugeva aluse masinõppe teadmistele ja teatmeteeki, mida saate piirkonnas töötades sageli kasutada.
Saad inspiratsiooni edasi õppima, paremaks muutuma ja mõju avaldama isegi siis, kui loed vaid ühe raamatu.
Kui olete oma masinõppealgoritmide väljatöötamiseks valmis ja pädev, pidage meeles, et andmed on teie projekti õnnestumiseks üliolulised.
Jäta vastus