Table of Contents[Ferstopje][Toanje]
Trouwens, wy binne ús allegear bewust fan hoe fluch technology foar masine-learen hat ûntwikkele yn 'e lêste ferskate jierren. Masine learen is in dissipline dy't de belangstelling hat oanlutsen fan ferskate bedriuwen, akademisy en sektoaren.
Hjirtroch sil ik guon fan 'e grutste boeken oer masine learen besprekke dy't in yngenieur as newbie hjoed moat lêze. Jo moatte allegear iens wêze dat it lêzen fan boeken net itselde is as it brûken fan it yntellekt.
Boeken lêze helpt ús geast in protte nije dingen te ûntdekken. Lêzen is ommers learen. In self-learner tag is in protte wille om te hawwen. De grutste learboeken beskikber op it fjild sille wurde markearre yn dit artikel.
De folgjende learboeken biede in beproefde ynlieding op it gruttere fjild fan AI en wurde faak brûkt yn universitêre kursussen en oanrikkemandearre troch akademisy en yngenieurs.
Sels as jo in ton hawwe masine learen ûnderfining, ien fan dizze learboeken ophelje kin in geweldige manier wêze om op te poetsen. Ommers, learen is in trochgeand proses.
1. Machine Learning Foar Absolute Beginners
Jo wolle masine learen studearje, mar wite net hoe jo it moatte dwaan. D'r binne ferskate krúsjale teoretyske en statistyske begripen dy't jo moatte begripe foardat jo jo epyske reis nei masine learen begjinne. En dit boek foldocht oan dy need!
It biedt folsleine novices mei in heech nivo, fan tapassing yntroduksje ta masine learen. It boek Machine Learning for Absolute Beginners is ien fan 'e bêste keuzes foar elkenien dy't sykje nei de meast ferienfâldige útlis fan masine learen en byhearrende ideeën.
De tal fan ml-algoritmen fan it boek wurde begelaat troch beknopte ferklearrings en grafyske foarbylden om lêzers te helpen alles te begripen dat besprutsen wurdt.
Underwerpen behannele yn it boek
- Basics fan neurale netwurken
- Regression analyse
- Feature engineering
- Clustering
- Cross-validaasje
- Data scrubbing techniken
- Beslissingsbeammen
- Ensemble modeling
2. Machine Learning foar Dummies
Masine learen kin in betiizjend idee wêze foar gewoane minsken. It is lykwols kostber foar dyjingen fan ús dy't kennis hawwe.
Sûnder ML is it dreech om problemen te behearjen lykas online sykresultaten, realtime advertinsjes op websiden, automatisearring, of sels spamfiltering (Ja!).
As resultaat biedt dit boek jo in rjochtlinige ynlieding dy't jo sil helpe mear te learen oer it enigmatyske ryk fan masine learen. Mei help fan Machine Learning For Dummies sille jo leare hoe't jo talen "sprekke" lykas Python en R, wêrtroch jo kompjûters kinne traine om patroanherkenning en gegevensanalyse te dwaan.
Derneist sille jo leare hoe't jo Python's Anaconda en R Studio kinne brûke om te ûntwikkeljen yn R.
Underwerpen behannele yn it boek
- Gegevens tarieding
- oanpak foar masine learen
- De masine learsyklus
- Begeliede en sûnder tafersjoch learen
- Training masine learsystemen
- Masine learmetoaden ferbine oan resultaten
3. The Hundred Page Machine Learning Book
Is it mooglik om alle aspekten fan masine learen op minder dan 100 siden te dekken? Andriy Burkov's The Hundred-Page Machine Learning Book is in besykjen om itselde te dwaan.
It masine learboek is goed skreaun en stipe troch ferneamde gedachtelieders, ynklusyf Sujeet Varakhedi, Head of Engineering by eBay, en Peter Norvig, direkteur fan ûndersyk by Google.
It is it grutste boek foar in begjinner yn masine learen. Nei it yngeand lêzen fan it boek, sille jo ferfine AI-systemen kinne konstruearje en begripe, slagje yn in ynterview mei masine learen, en sels jo heul eigen ML-basearre bedriuw lansearje.
It boek is lykwols net bedoeld foar folsleine begjinners yn masine learen. Sjoch earne as jo wat mear fûnemintele sykje.
Underwerpen behannele yn it boek
- Anatomy fan a learalgoritme
- Begeliede learen en sûnder tafersjoch learen
- Learjen fan fersterking
- Fundamentele algoritmen fan Machine Learning
- Oersjoch fan neurale netwurken en djip learen
4. Machine Learning begripe
In systematyske ynlieding ta masine learen wurdt jûn yn it boek Understanding Machine Learning. It boek dûkt djip yn 'e fûnemintele ideeën, komputaasjeparadigma's en wiskundige ôfliedingen fan masine learen.
In wiidweidich oanbod fan fakken foar masine learen wurdt op in ienfâldige manier presintearre troch masine learen. De teoretyske fûneminten fan masine learen wurde beskreaun yn it boek, tegearre mei de wiskundige ôfliedingen dy't dizze fûneminten omsette yn nuttige algoritmen.
It boek presintearret de fûneminten foardat it in breed skala oan krusjale ûnderwerpen behannelet dy't net binne behannele troch eardere learboeken.
Opnaam yn dit binne in diskusje oer de konvexiteit en stabiliteit konsepten en de komputearjende kompleksiteit fan learen, lykas ek wichtige algoritmyske paradigma's lykas stochastic gradient ôfstamming, neurale netwurken, en strukturearre útfier learen, lykas nij opkommende teoretyske ideeën lykas de PAC-Bayes oanpak en kompresje-basearre grinzen. ûntworpen foar begjinnende graduaten as avansearre undergraduates.
Underwerpen behannele yn it boek
- De berekkeningskompleksiteit fan masine learen
- ML algoritmen
- neurale netwurken
- PAC-Bayes oanpak
- Stochastic gradient ôfstamming
- Strukturearre útfier learen
5. Yntroduksje ta Machine Learning mei Python
Binne jo in Python-savvy gegevenswittenskipper dy't masine learen studearje wol? It bêste boek om jo aventoer foar masine-learen mei te begjinnen is Introduction to Machine Learning with Python: A Guide for Data Scientists.
Mei help fan it boek Introduction to Machine Learning with Python: A Guide for Data Scientists, sille jo in ferskaat oan nuttige techniken ûntdekke foar it meitsjen fan oanpaste masine-learprogramma's.
Jo sille elke krúsjale stap dekke belutsen by it brûken fan Python en it Scikit-Learn-pakket om betroubere masine-learapplikaasjes te bouwen.
In solide begryp fan 'e matplotlib- en NumPy-bibleteken krije sil it learen folle makliker meitsje.
Underwerpen behannele yn it boek
- Moderne techniken foar parameter tweaking en model beoardieling
- Applikaasjes en basis ideeën foar masine learen
- automatisearre leartechniken
- Technieken foar it manipulearjen fan tekstgegevens
- Model chaining en workflow encapsulation pipelines
- Gegevensfertsjintwurdiging nei ferwurking
6. Hands-on Machine Learning mei Sci-kit learen, Keras & Tensorflow
Under de meast yngeande publikaasjes oer gegevenswittenskip en masinelearen is it fol mei kennis. It wurdt advisearre dat saakkundigen en begjinners mear studearje oer dit ûnderwerp.
Hoewol dit boek mar in bytsje teory befettet, wurdt it stipe troch sterke foarbylden, wêrtroch it in plak op 'e list jout.
Dit boek omfettet in ferskaat oan ûnderwerpen, ynklusyf scikit-learn foar projekten foar masinelearen en TensorFlow foar it meitsjen en oplieden fan neurale netwurken.
Nei it lêzen fan dit boek tinke wy dat jo better ynrjochte sille wêze om fierder te ferdjipjen djip learen en omgean mei praktyske problemen.
Underwerpen behannele yn it boek
- Undersykje it lânskip fan masine learen, benammen neurale netwurken
- Folgje in foarbyld fan masine-learenprojekt fan begjin oant konklúzje mei Scikit-Learn.
- Undersykje ferskate training modellen, lykas ensemble techniken, willekeurige bosken, beslút beammen, en stypje vector masines.
- Meitsje en traine neurale netwurken troch de TensorFlow-bibleteek te brûken.
- Beskôgje konvolúsjonele netwurken, weromkommende netten, en learen fan djippe fersterking by it ferkennen neural net ûntwerpen.
- Learje hoe't jo djippe neurale netwurken skaalje en traine.
7. Machine Learning foar hackers
Foar de betûfte programmeur dy't ynteressearre is yn gegevensanalyse, is it boek Machine Learning for Hackers skreaun. Hackers binne betûfte wiskundigen yn dit ferbân.
Foar immen mei in solide begryp fan R, dit boek is in grutte kar omdat de mearderheid fan it is sintraal op gegevens analyze yn R. Dêrneist behannele yn it boek is hoe te manipulearjen gegevens mei help fan avansearre R.
It opnimmen fan relevante saakferhalen beklammet de wearde fan it brûken fan masine-learalgoritmen kin it boek Machine Learning for Hackers 'wichtigste ferkeappunt wêze.
It boek jout in protte echte foarbylden om it learen fan masine learen ienfâldiger en rapper te meitsjen ynstee fan djipper yn te gean yn syn wiskundige teory derfan.
Underwerpen behannele yn it boek
- Meitsje in naïve Bayesianske klassifikaasje dy't gewoan de ynhâld fan in e-post analysearret om te bepalen oft it spam is.
- It foarsizzen fan it oantal sidewerjeften foar de top 1,000-websides mei lineêre regression
- Ûndersykje optimalisaasje metoaden troch te besykjen te kraken in rjochtlinige letter cipher.
8. Python Machine Learning mei foarbylden
Dit boek, dat jo helpt te begripen en te meitsjen ferskate metoaden foar masine learen, djippe learen en gegevensanalyse, is wierskynlik de ienige dy't allinich rjochtet op Python as programmeartaal.
It beslacht ferskate krêftige biblioteken foar it ymplementearjen fan ferskate Machine Learning-algoritmen, lykas Scikit-Learn. De Tensor Flow-module wurdt dan brûkt om jo te learen oer djip learen.
Uteinlik toant it de protte kânsen foar gegevensanalyse dy't kinne wurde berikt mei masine en djip learen.
It leart jo ek de ferskate techniken dy't kinne wurde brûkt om de effektiviteit fan it model dat jo meitsje te fergrutsjen.
Underwerpen behannele yn it boek
- Python en masine learen leare: in gids foar begjinners
- Undersykje de gegevensset fan 2 nijsgroepen en Naive Bayes-deteksje fan spam-e-post
- Klassifisearje mei SVM's de ûnderwerpen fan nijsferhalen Klik-troch foarsizzing mei algoritmen basearre op beammen
- Foarsizzing fan trochklikrate mei logistyske regression
- It brûken fan regression-algoritmen om de heechste noarmen fan oandielprizen te foarsizzen
9. Python Machine Learning
It Python Machine Learning-boek ferklearret de fûneminten fan masine learen en ek de betsjutting dêrfan yn it digitale domein. It is in masine learboek foar begjinners.
Derneist behannele yn it boek binne de protte subfjilden en applikaasjes fan masine learen. De prinsipes fan Python-programmearring en hoe te begjinnen mei de fergese en iepen-boarne programmeartaal wurde ek behannele yn it Python Machine Learning-boek.
Nei it foltôgjen fan it boek foar masine-learen, sille jo in oantal banen foar masine-learen effektyf kinne fêststelle mei Python-kodearring.
Underwerpen behannele yn it boek
- Fundamentals fan keunstmjittige yntelliginsje
- in beslútbeam
- Logistyske regression
- Yndjipte neurale netwurken
- Python programmeartaal fûneminten
10. Masine learen: in probabilistysk perspektyf
Machine Learning: A Probabilistic Perspective is in humoristysk boek foar masine-learen dat nostalgyske kleurgrafiken en praktyske foarbylden út 'e echte wrâld hat út dissiplines lykas biology, kompjûterfisy, robotika en tekstferwurking.
It is fol mei casual proaza en pseudokoade foar essensjele algoritmen. Machine Learning: A Probabilistic Perspective, yn tsjinstelling ta oare masine learen publikaasjes dy't wurde presintearre yn de styl fan in kookboek en beskriuwe ferskate heuristyske oanpak, rjochtet him op in prinsipiële model-basearre oanpak.
It spesifiseart ml-modellen mei grafyske foarstellings op in dúdlike en begryplike manier. Op grûn fan in unifoarme, probabilistyske oanpak, biedt dit learboek in folsleine en selsstannige ynlieding op it gebiet fan masine learen.
De ynhâld is sawol breed as djip, ynklusyf fûnemintele eftergrûnmateriaal oer ûnderwerpen lykas kâns, optimalisaasje en lineêre algebra, lykas ek in diskusje oer hjoeddeistige foarútgong yn it gebiet lykas betingst willekeurige fjilden, L1-regularisaasje, en djip learen.
It boek is skreaun yn in casual, benaderbere taal, mei pseudo-koade foar de wichtichste wichtige algoritmen.
Underwerpen behannele yn it boek
- Wierskynlik
- Djippe learen
- L1 regulaasje
- Optimisaasje
- Tekstferwurking
- Computer Vision applikaasjes
- Robotika applikaasjes
11. De eleminten fan statistysk learen
Foar syn konseptuele ramt en in breed ferskaat oan ûnderwerpen wurdt dit learboek foar masine learen faak erkend yn it fjild.
Dit boek kin brûkt wurde as referinsje foar elkenien dy't ûnderwerpen lykas neurale netwurken en testtechniken moat opknappe, lykas ek in ienfâldige yntroduksje ta masine learen.
It boek triuwt de lêzer agressyf om har eigen eksperiminten en ûndersiken by elke beurt te dwaan, wat it weardefol makket foar it kultivearjen fan de kapasiteiten en nijsgjirrigens dy't nedich binne om pertinente foarútgong te meitsjen yn in masinelearkapasiteit as baan.
It is in wichtich ark foar statistiken en elkenien dy't ynteressearre is yn data mining yn bedriuw as wittenskip. Soargje derfoar dat jo op syn minst lineêre algebra begripe foardat jo dit boek begjinne.
Underwerpen behannele yn it boek
- Tafersjoch learen (foarsizzing) oant net tafersjoch learen
- neurale netwurken
- Stypje fektormasines
- Klassifikaasje beammen
- Boost algoritmen
12. Patroanherkenning en masine learen
De wrâlden fan patroanherkenning en masine learen kinne yn dit boek yngeand wurde ferkend. De Bayesianske oanpak fan patroanherkenning waard oarspronklik presintearre yn dizze publikaasje.
Fierder ûndersiket it boek útdaagjende ûnderwerpen dy't in wurkjend begryp nedich binne fan multivariate, gegevenswittenskip en fûnemintele lineêre algebra.
Oer masine learen en kâns biedt it referinsjeboek haadstikken mei stadichoan hurdere nivo's fan kompleksiteit basearre op trends yn datasets. Ienfâldige foarbylden wurde jûn foar in algemiene ynlieding ta patroanherkenning.
It boek biedt techniken foar likernôch konklúzje, dy't tastean flugge approximations yn gefallen dêr't eksakte oplossings binne ûnpraktysk. D'r binne gjin oare boeken dy't grafyske modellen brûke om kânsferdielingen te beskriuwen, mar it docht.
Underwerpen behannele yn it boek
- Bayesian metoaden
- Approximate inference algoritmen
- Nije modellen basearre op kernels
- Ynlieding ta basis kâns teory
- Yntroduksje ta patroanherkenning en masine learen
13. Fundamentals of Machine Learning from Predictive Data Analytics
As jo de fûneminten fan masine learen behearskje en wolle oergean nei foarsizzende gegevensanalyse, dan is dit it boek foar jo !!! Troch patroanen te finen út massive datasets, kin Machine Learning brûkt wurde om foarsizzingsmodellen te ûntwikkeljen.
Dit boek ûndersiket de ymplemintaasje fan ML gebrûk Predictive Data Analytics yngeande, ynklusyf sawol teoretyske prinsipes as eigentlike foarbylden.
Nettsjinsteande it feit dat de titel "Fundamentals of Machine Learning for Predictive Data Analytics" in mûlefol is, sil dit boek de reis fan Predictive Data Analytics sketse fan gegevens nei ynsjoch nei in konklúzje.
It besprekt ek fjouwer oanwêzigen foar masine-learen: learen basearre op ynformaasje, learen basearre op oerienkomst, learen basearre op kâns, en learen basearre op flaters, elk mei in net-technyske konseptuele ferklearring folge troch wiskundige modellen en algoritmen mei foarbylden.
Underwerpen behannele yn it boek
- Ynformaasje-basearre learen
- Similarity-basearre learen
- Wierskynlik-basearre learen
- Flater-basearre learen
14. Applied Predictive Modeling
Applied Predictive Modeling ûndersiket it heule foarsizzend modellewurkproses, te begjinnen mei de krityske fazen fan gegevensfoarferwurking, gegevenssplitsing, en fûneminten foar modeltuning.
It wurk presintearret dan dúdlike beskriuwingen fan in ferskaat oan konvinsjonele en resinte oanpak foar regression en klassifikaasje, mei in fokus op it sjen en oplossen fan echte gegevensútdagings.
De gids toant alle aspekten fan it modellearingsproses mei ferskate praktyske foarbylden yn 'e echte wrâld, en elk haadstik omfettet wiidweidige R-koade foar elke faze fan it proses.
Dit multyfunksjonele folume kin brûkt wurde as ynlieding ta foarsizzende modellen en it hiele modellearingsproses, as referinsjegids foar praktiken, of as tekst foar avansearre kursussen foar foarsizzend modellewurk foar undergraduate of graduate nivo.
Underwerpen behannele yn it boek
- Regression technyk
- Klassifikaasje technyk
- Komplekse ML-algoritmen
15. Machine Learning: De keunst en wittenskip fan algoritmen dy't sin meitsje fan gegevens
As jo in tuskenpersoan of ekspert binne yn masine learen en wolle "werom nei de fûneminten," dit boek is foar jo! It betellet folslein kredyt oan de enoarme kompleksiteit en djipte fan Machine Learning, wylst se har ferienigjende prinsipes noait út it each ferlieze (in heul prestaasje!).
Machine Learning: The Art and Science of Algoritms omfetsje ferskate case studies fan tanimmende kompleksiteit, lykas ek in protte foarbylden en foto's (om dingen ynteressant te hâlden!).
It boek beslacht ek in breed oanbod fan logyske, geometryske en statistyske modellen, lykas yngewikkelde en nije ûnderwerpen lykas matrixfaktorisaasje en ROC-analyse.
Underwerpen behannele yn it boek
- Simplifies masine learen algoritmen
- Logysk model
- Geometrysk model
- Statistysk model
- ROC analyze
16. Data Mining: praktyske ark en techniken foar masinelearen
Mei help fan oanpak fan 'e stúdzje fan databasesystemen, masine learen, en statistiken, kinne techniken foar data mining ús patroanen fine yn grutte hoemannichten gegevens.
Jo moatte it boek krije Data Mining: Practical Machine Learning Tools and Techniques as jo moatte studearje data mining techniken yn it bysûnder of plan te learen masine learen yn it algemien.
It bêste boek oer masine learen konsintrearret mear op syn technyske kant. It dûkt fierder yn 'e technyske finesses fan masine learen, en strategyen foar it sammeljen fan gegevens en it brûken fan ferskate ynputs en útgongen om útkomsten te beoardieljen.
Underwerpen behannele yn it boek
- Lineêre modellen
- Clustering
- Statistyske modellering
- Foarsizze prestaasjes
- Fergelykjen fan metoaden foar data mining
- Ynstânsje-basearre learen
- Kennisfertsjintwurdiging & klusters
- Tradysjonele en moderne data mining techniken
17. Python foar Data Analysis
De mooglikheid om de gegevens te evaluearjen dy't brûkt wurde yn masine learen is de wichtichste feardigens dy't in gegevenswittenskipper moat hawwe. Foardat jo in ML-model ûntwikkelje dat in krekte prognose produseart, sil de mearderheid fan jo taak it behanneljen, ferwurkjen, skjinmeitsjen en beoardieljen fan gegevens omfetsje.
Jo moatte bekend wêze mei programmeartalen lykas Pandas, NumPy, Ipython, en oaren om gegevensanalyse út te fieren.
As jo wolle wurkje yn gegevenswittenskip as masine learen, moatte jo de mooglikheid hawwe om gegevens te manipulearjen.
Jo moatte yn dit gefal perfoarst it boek Python for Data Analysis lêze.
Underwerpen behannele yn it boek
- essinsjeel Python-biblioteken
- Avansearre Pandas
- Data Analysis Foarbylden
- Data Cleaning en Tarieding
- Wiskundige en statistyske metoaden
- Gearfetting en Computing Beskriuwende Statistics
18. Natuerlike taalferwurking mei Python
De stifting fan masinelearsystemen is natuerlike taalferwurking.
It boek Natuerlike taalferwurking mei Python ynstruearret jo oer hoe't jo NLTK brûke kinne, in goed-like samling Python-modules en ark foar symboalyske en statistyske natuerlike taalferwurking foar Ingelsk en NLP yn it algemien.
It boek Natuerlike taalferwurking mei Python biedt effektive Python-routines dy't NLP op in beknopte, foar de hân lizzende manier demonstrearje.
Lêzers hawwe tagong ta goed annotearre datasets foar it omgean mei net-strukturearre gegevens, tekst-linguistyske struktuer, en oare NLP-rjochte eleminten.
Underwerpen behannele yn it boek
- Hoe funksjonearret minsklike taal?
- Taalkundige gegevensstruktueren
- Natural Language Toolkit (NLTK)
- Parsing en semantyske analyze
- Populêre taalkundige databases
- Yntegrearje techniken út keunstmjittige yntelliginsje en taalkunde
19. Programming Collective Intelligence
De Programming Collective Intelligence troch Toby Segaran, dy't wurdt beskôge as ien fan 'e grutste boeken om te begjinnen mei it begripen fan masine learen, waard skreaun yn 2007, jierren foardat gegevenswittenskip en masine learen har hjoeddeistige posysje berikten as liedende profesjonele paden.
It boek brûkt Python as de metoade foar it fersprieden fan syn ekspertize oan har publyk. De Programming Collective Intelligence is mear in hantlieding foar ml-ymplemintaasje dan it is in ynlieding foar masine learen.
It boek jout ynformaasje oer it ûntwikkeljen fan effektive ML-algoritmen foar it sammeljen fan gegevens fan apps, programmearring foar it krijen fan gegevens fan websiden, en it ekstrapolearjen fan de sammele gegevens.
Elk haadstik omfettet aktiviteiten foar it útwreidzjen fan de besprutsen algoritmen en it ferbetterjen fan har nut.
Underwerpen behannele yn it boek
- Bayesian filterjen
- Stypje fektormasines
- Search engine algoritmen
- Manieren om foarsizzingen te meitsjen
- Gearwurkingsfiltertechniken
- Non-negative matrixfaktorisaasje
- Evoluearjende yntelliginsje foar probleem-oplossen
- Metoaden foar it opspoaren fan groepen of patroanen
20. Deep Learning (oanpast berekkenjen en masine learen-searje)
Lykas wy allegear bewust binne, is djip learen in ferbettere soarte fan masine learen wêrtroch kompjûters kinne leare fan prestaasjes út it ferline en in grutte hoemannichte gegevens.
Wylst jo techniken foar masinelearen brûke, moatte jo ek kunde wêze mei prinsipes foar djippe learen. Dit boek, dat wurdt beskôge as de Bibel fan djip learen, sil tige nuttich wêze yn dizze omstannichheid.
Trije saakkundigen foar djippe learen behannelje heul yngewikkelde ûnderwerpen dy't yn dit boek fol binne mei wiskunde en djippe generative modellen.
It leverjen fan in wiskundige en konseptuele basis besprekt it wurk relevante ideeën yn lineêre algebra, kânsteory, ynformaasjeteory, numerike berekkening, en masine learen.
It ûndersiket applikaasjes lykas natuerlike taalferwurking, spraakherkenning, komputerfisy, online oanbefellingssystemen, bioinformatika, en fideospultsjes en beskriuwt techniken foar djippe learen dy't brûkt wurde troch yndustrypraktiken, lykas djippe feedforward-netwurken, regularisaasje- en optimalisaasjealgoritmen, konvolúsjonele netwurken, en praktyske metodyk. .
Underwerpen behannele yn it boek
- Numerike berekkening
- Deep Learning Undersyk
- Computer Vision techniken
- Djippe Feedforward Networks
- Optimalisaasje foar training fan djippe modellen
- Praktyske metodyk
- Deep Learning Undersyk
Konklúzje
De 20 topmasjinelearboeken wurde gearfette yn dy list, dy't jo kinne brûke om masinelearen foarút te gean yn 'e rjochting dy't jo wolle.
Jo sille in solide basis kinne ûntwikkelje yn ekspertize fan masine-learen en in referinsjebibleteek dy't jo faak kinne brûke as jo yn it gebiet wurkje as jo in ferskaat oan dizze learboeken lêze.
Jo sille ynspireare wurde om troch te gean mei learen, better wurde en effekt hawwe, sels as jo mar ien boek lêze.
As jo ree binne en kompetint binne om jo eigen masine-learalgoritmen te ûntwikkeljen, hâld dan yn gedachten dat gegevens fan libbensbelang binne foar it sukses fan jo projekt.
Leave a Reply