Índice analítico[Ocultar][Mostrar]
Por certo, todos somos conscientes da rapidez coa que se desenvolveu a tecnoloxía de aprendizaxe automática nos últimos anos. A aprendizaxe automática é unha disciplina que atraeu o interese de varias corporacións, académicos e sectores.
Debido a isto, comentarei algúns dos mellores libros sobre aprendizaxe automática que un enxeñeiro ou novato debería ler hoxe. Debes estar todos de acordo en que ler libros non é o mesmo que usar o intelecto.
Ler libros axuda a nosa mente a descubrir moitas cousas novas. Ler é aprender, despois de todo. Unha etiqueta de autoaprendizaxe é moi divertido de ter. Neste artigo destacaranse os mellores libros de texto dispoñibles no campo.
Os seguintes libros de texto ofrecen unha introdución probada e verdadeira ao campo máis amplo da IA e úsanse a miúdo en cursos universitarios e recomendados tanto por académicos como por enxeñeiros.
Aínda que teñas unha tonelada aprendizaxe de máquina experiencia, recoller un destes libros de texto pode ser unha boa forma de repasar. Despois de todo, a aprendizaxe é un proceso continuo.
1. Aprendizaxe automática para principiantes absolutos
Gustaríache estudar aprendizaxe automática pero non sabes como facelo. Hai varios conceptos teóricos e estatísticos cruciais que debes comprender antes de comezar a túa épica viaxe á aprendizaxe automática. E este libro cubre esa necesidade!
Ofrece novatos completos cun alto nivel aplicable introdución á aprendizaxe automática. O libro Machine Learning for Absolute Beginners é unha das mellores opcións para quen busque a explicación máis simplificada sobre a aprendizaxe automática e as ideas asociadas.
Os numerosos algoritmos ml do libro van acompañados de explicacións concisas e exemplos gráficos para axudar aos lectores a comprender todo o que se comenta.
Temas tratados no libro
- Conceptos básicos de redes neuronales
- Análise de regresión
- Enxeñaría de características
- Agrupamento
- Validación cruzada
- Técnicas de depuración de datos
- Árbores de decisión
- Modelado de conxuntos
2. Machine Learning para Dummies
A aprendizaxe automática pode ser unha idea confusa para a xente normal. Non obstante, non ten prezo para os que somos coñecedores.
Sen ML, é difícil xestionar problemas como resultados de busca en liña, anuncios en tempo real en páxinas web, automatización ou mesmo filtrado de spam (si!).
Como resultado, este libro ofrécelle unha introdución sinxela que che axudará a aprender máis sobre o enigmático ámbito da aprendizaxe automática. Coa axuda de Machine Learning For Dummies, aprenderás a "falar" linguaxes como Python e R, o que che permitirá adestrar ordenadores para facer o recoñecemento de patróns e a análise de datos.
Ademais, aprenderás a usar Anaconda e R Studio de Python para desenvolver en R.
Temas tratados no libro
- Preparación de datos
- enfoques para a aprendizaxe automática
- O ciclo de aprendizaxe automática
- Aprendizaxe supervisada e non supervisada
- Adestramento de sistemas de aprendizaxe automática
- Vincular os métodos de aprendizaxe automática aos resultados
3. O libro de aprendizaxe automática das cen páxinas
É factible cubrir todos os aspectos da aprendizaxe automática en menos de 100 páxinas? O libro de aprendizaxe automática de cen páxinas de Andriy Burkov é un intento de facer o mesmo.
O libro de aprendizaxe automática está ben escrito e apoiado por recoñecidos líderes de pensamento, como Sujeet Varakhedi, xefe de enxeñería de eBay e Peter Norvig, director de investigación de Google.
É o mellor libro para un principiante na aprendizaxe automática. Despois de ler a fondo o libro, poderás construír e comprender sistemas sofisticados de intelixencia artificial, ter éxito nunha entrevista de aprendizaxe automática e incluso lanzar a túa propia empresa baseada en ML.
Non obstante, o libro non está pensado para principiantes completos na aprendizaxe automática. Busca nalgún lugar se estás buscando algo máis fundamental.
Temas tratados no libro
- Anatomía dun algoritmo de aprendizaxe
- Aprendizaxe supervisada e aprendizaxe non supervisada
- Aprendizaxe de reforzo
- Algoritmos fundamentais de Machine Learning
- Visión xeral das redes neuronais e da aprendizaxe profunda
4. Comprensión do Machine Learning
No libro Understanding Machine Learning ofrécese unha introdución sistemática á aprendizaxe automática. O libro afonda nas ideas fundamentais, os paradigmas computacionais e as derivacións matemáticas da aprendizaxe automática.
Unha ampla gama de materias de aprendizaxe automática preséntase dun xeito sinxelo pola aprendizaxe automática. No libro descríbense os fundamentos teóricos da aprendizaxe automática, xunto coas derivacións matemáticas que converten estes fundamentos en algoritmos útiles.
O libro presenta os fundamentos antes de cubrir unha ampla gama de temas cruciais que non foron tratados nos libros de texto anteriores.
Inclúese nesta discusión os conceptos de convexidade e estabilidade e a complexidade computacional da aprendizaxe, así como paradigmas algorítmicos significativos como o estocástico. descenso en gradiente, redes neuronais e aprendizaxe de saída estruturada, así como ideas teóricas recentemente emerxentes como o enfoque PAC-Bayes e os límites baseados na compresión. deseñado para estudantes de grao principiante ou avanzados.
Temas tratados no libro
- A complexidade computacional da aprendizaxe automática
- Algoritmos ML
- redes neuronais
- Aproximación PAC-Bayes
- Descenso de gradiente estocástico
- Aprendizaxe de saída estruturada
5. Introdución ao Machine Learning con Python
Es un científico de datos experto en Python que quere estudar a aprendizaxe automática? O mellor libro para comezar a túa aventura de aprendizaxe automática é Introdución á aprendizaxe automática con Python: unha guía para científicos de datos.
Coa axuda do libro Introdución ao Machine Learning con Python: A Guide for Data Scientists, descubrirá unha variedade de técnicas útiles para crear programas personalizados de aprendizaxe automática.
Cubrirás todos os pasos cruciais implicados na utilización de Python e o paquete Scikit-Learn para crear aplicacións de aprendizaxe automática fiables.
Conseguir unha comprensión sólida das bibliotecas matplotlib e NumPy facilitará moito a aprendizaxe.
Temas tratados no libro
- Técnicas modernas para axuste de parámetros e avaliación de modelos
- Aplicacións e ideas básicas de aprendizaxe automática
- técnicas de aprendizaxe automatizada
- Técnicas de manipulación de datos de texto
- Encadeamento de modelos e canalizacións de encapsulación de fluxos de traballo
- Representación de datos despois do tratamento
6. Aprendizaxe automático práctico con Sci-kit Learn, Keras e Tensorflow
Entre as publicacións máis completas sobre ciencia de datos e aprendizaxe automática, está chea de coñecemento. Recoméndase que expertos e novatos estuden máis sobre este tema.
Aínda que este libro contén só unha pequena cantidade de teoría, está apoiado por exemplos sólidos, o que lle dá un lugar na lista.
Este libro inclúe unha variedade de temas, incluíndo scikit-learn para proxectos de aprendizaxe automática e TensorFlow para crear e adestrar redes neuronais.
Despois de ler este libro, pensamos que estarás mellor equipado para afondar máis aprendizaxe profunda e tratar problemas prácticos.
Temas tratados no libro
- Examinar o panorama da aprendizaxe automática, especialmente as redes neuronais
- Fai un seguimento dun proxecto de aprendizaxe automática de mostra desde o principio ata a conclusión usando Scikit-Learn.
- Examine varios modelos de adestramento, como técnicas de conxunto, bosques aleatorios, árbores de decisión e máquinas vectoriais de apoio.
- Crea e adestra redes neuronais utilizando a biblioteca TensorFlow.
- Considera as redes convolucionais, as redes recorrentes e a aprendizaxe de reforzo profundo mentres exploras rede neuronal proxectos.
- Aprende a escalar e adestrar redes neuronais profundas.
7. Aprendizaxe automática para hackers
Para o programador experimentado interesado na análise de datos, está escrito o libro Machine Learning for Hackers. Os hackers son matemáticos hábiles neste contexto.
Para alguén con coñecementos sólidos de R, este libro é unha excelente opción porque a maioría está centrado na análise de datos en R. Ademais, o libro trata sobre como manipular datos usando R avanzado.
A inclusión de casos pertinentes enfatiza o valor de empregar algoritmos de aprendizaxe automática que pode ser o punto de venda máis significativo do libro Machine Learning for Hackers.
O libro ofrece moitos exemplos do mundo real para facer que a aprendizaxe automática sexa máis sinxela e rápida en lugar de afondar na súa teoría matemática.
Temas tratados no libro
- Crea un clasificador bayesiano inxenuo que analice simplemente o contido dun correo electrónico para determinar se é spam.
- Predicir o número de páxinas vistas para os 1,000 sitios web principais mediante regresión lineal
- Investiga métodos de optimización tentando descifrar un cifrado de letras sinxelo.
8. Python Machine Learning con exemplos
Este libro, que che axuda a comprender e crear varios métodos de aprendizaxe automática, aprendizaxe profunda e análise de datos, é probablemente o único que se centra só en Python como linguaxe de programación.
Abarca varias bibliotecas potentes para implementar diferentes algoritmos de Machine Learning, como Scikit-Learn. O módulo Tensor Flow úsase entón para ensinarche a aprendizaxe profunda.
Finalmente, demostra as moitas oportunidades de análise de datos que se poden conseguir mediante a aprendizaxe automática e profunda.
Tamén che ensina as numerosas técnicas que se poden utilizar para aumentar a eficacia do modelo que creas.
Temas tratados no libro
- Aprendizaxe de Python e Machine Learning: unha guía para principiantes
- Examinando o conxunto de datos de 2 grupos de noticias e a detección de correo electrónico de spam de Naive Bayes
- Usando SVM, clasifique os temas das noticias Predición de clics mediante algoritmos baseados en árbores
- Predición da taxa de clics mediante regresión loxística
- O uso de algoritmos de regresión para prever os estándares máis altos dos prezos das accións
9. Python Machine Learning
O libro Python Machine Learning explica os fundamentos da aprendizaxe automática así como a súa importancia no dominio dixital. É un libro de aprendizaxe automática para principiantes.
Ademais, o libro inclúe moitos subcampos e aplicacións da aprendizaxe automática. Os principios da programación en Python e como comezar coa linguaxe de programación gratuíta e de código aberto tamén se tratan no libro Python Machine Learning.
Despois de rematar o libro de aprendizaxe automática, poderás establecer de forma eficaz unha serie de traballos de aprendizaxe automática mediante a codificación de Python.
Temas tratados no libro
- Fundamentos da intelixencia artificial
- unha árbore de decisións
- Regresión loxística
- Redes neuronais en profundidade
- Fundamentos da linguaxe de programación Python
10. Aprendizaxe automática: unha perspectiva probabilística
Machine Learning: A Probabilistic Perspective é un libro humorístico de aprendizaxe automática que presenta gráficos en cores nostálxicos e exemplos prácticos do mundo real de disciplinas como a bioloxía, a visión por ordenador, a robótica e o procesamento de textos.
Está cheo de prosa casual e pseudocódigo para algoritmos esenciais. Aprendizaxe automática: unha perspectiva probabilística, en contraste con outras publicacións de aprendizaxe automática que se presentan ao estilo dun libro de receitas e describen varios enfoques heurísticos, céntrase nun enfoque baseado en modelos.
Especifica modelos ml utilizando representacións gráficas de forma clara e comprensible. Baseado nun enfoque unificado e probabilístico, este libro de texto ofrece unha introdución completa e autónoma á área da aprendizaxe automática.
O contido é amplo e profundo, incluíndo material de fondo fundamental sobre temas como probabilidade, optimización e álxebra lineal, así como unha discusión dos avances contemporáneos na área como campos aleatorios condicionais, regularización da L1 e aprendizaxe profunda.
O libro está escrito nunha linguaxe casual e accesible, que contén pseudocódigo para os principais algoritmos significativos.
Temas tratados no libro
- Probabilidade
- Aprendizaxe profunda
- Regularización L1
- Optimización
- Procesamento de texto
- Aplicacións de visión por ordenador
- Aplicacións de robótica
11. Os elementos da aprendizaxe estatística
Polo seu marco conceptual e unha gran variedade de materias, este libro de texto de aprendizaxe automática adoita ser recoñecido no campo.
Este libro pódese usar como referencia para calquera persoa que necesite repasar temas como as redes neuronais e as técnicas de proba, así como unha simple introdución á aprendizaxe automática.
O libro empurra agresivamente ao lector a facer os seus propios experimentos e investigacións en cada momento, polo que é valioso para cultivar as habilidades e a curiosidade necesarias para facer avances pertinentes nunha capacidade ou traballo de aprendizaxe automática.
É unha ferramenta importante para os estatísticos e calquera persoa interesada na minería de datos nos negocios ou na ciencia. Asegúrate de comprender como mínimo o álxebra lineal antes de comezar este libro.
Temas tratados no libro
- Aprendizaxe supervisada (predición) a aprendizaxe non supervisada
- redes neuronais
- Soporte de máquinas vectoriais
- Árbores de clasificación
- Algoritmos de potenciación
12. Recoñecemento de patróns e aprendizaxe automática
Neste libro pódense explorar a fondo os mundos do recoñecemento de patróns e da aprendizaxe automática. O enfoque bayesiano para o recoñecemento de patróns presentouse orixinalmente nesta publicación.
Ademais, o libro examina temas desafiantes que necesitan unha comprensión funcional de multivariantes, ciencia de datos e álxebra lineal fundamental.
Sobre a aprendizaxe automática e a probabilidade, o libro de referencia ofrece capítulos con niveis de complexidade cada vez máis difíciles en función das tendencias dos conxuntos de datos. Antes dunha introdución xeral ao recoñecemento de patróns danse exemplos sinxelos.
O libro ofrece técnicas para a inferencia aproximada, que permiten aproximacións rápidas nos casos en que as solucións exactas non son prácticas. Non hai outros libros que empreguen modelos gráficos para describir distribucións de probabilidade, pero si.
Temas tratados no libro
- Métodos bayesianos
- Algoritmos de inferencia aproximada
- Novos modelos baseados en núcleos
- Introdución á teoría básica da probabilidade
- Introdución ao recoñecemento de patróns e á aprendizaxe automática
13. Fundamentos de Machine Learning a partir de Predictive Data Analytics
Se dominaches os fundamentos da aprendizaxe automática e queres pasar á análise de datos preditivos, este é o libro para ti!!! Ao atopar patróns de conxuntos de datos masivos, a aprendizaxe automática pódese utilizar para desenvolver modelos de predición.
Este libro examina a implementación do uso de ML Análise predictiva de datos en profundidade, incluíndo tanto principios teóricos como exemplos reais.
A pesar do feito de que o título "Fundamentos da aprendizaxe automática para a análise de datos preditivo" é un bocado, este libro describirá a viaxe da análise de datos preditivo desde os datos ata o coñecemento ata unha conclusión.
Tamén analiza catro enfoques de aprendizaxe automática: aprendizaxe baseada na información, aprendizaxe baseada na semellanza, aprendizaxe baseada na probabilidade e aprendizaxe baseada en erros, cada un cunha explicación conceptual non técnica seguida de modelos matemáticos e algoritmos con exemplos.
Temas tratados no libro
- Aprendizaxe baseada na información
- Aprendizaxe baseada na semellanza
- Aprendizaxe baseada na probabilidade
- Aprendizaxe baseada no erro
14. Modelado preditivo aplicado
O modelado preditivo aplicado examina todo o proceso de modelado preditivo, comezando polas fases críticas do preprocesamento de datos, a división de datos e as bases de axuste do modelo.
A continuación, o traballo presenta descricións claras dunha variedade de enfoques de regresión e clasificación convencionais e recentes, centrándose en mostrar e resolver problemas de datos do mundo real.
A guía mostra todos os aspectos do proceso de modelado con varios exemplos prácticos e do mundo real, e cada capítulo inclúe un código R completo para cada etapa do proceso.
Este volume multiusos pódese utilizar como introdución aos modelos preditivos e a todo o proceso de modelización, como guía de referencia para os profesionais ou como texto para cursos avanzados de modelado preditivo de grao ou posgrao.
Temas tratados no libro
- Técnica de regresión
- Técnica de clasificación
- Algoritmos complexos de ML
15. Aprendizaxe automática: a arte e a ciencia dos algoritmos que dan sentido aos datos
Se es un nivel intermedio ou experto en aprendizaxe automática e queres "volver aos fundamentos", este libro é para ti. Dálle todo o mérito á enorme complexidade e profundidade do Machine Learning sen perder nunca de vista os seus principios unificadores (todo un logro!).
Machine Learning: The Art and Science of Algorithms inclúe varios casos prácticos de complexidade crecente, así como numerosos exemplos e imaxes (¡para que as cousas sexan interesantes!).
O libro tamén abrangue unha ampla gama de modelos lóxicos, xeométricos e estatísticos, así como temas complicados e novos como a factorización matricial e a análise ROC.
Temas tratados no libro
- Simplifica os algoritmos de aprendizaxe automática
- Modelo lóxico
- Modelo xeométrico
- Modelo estatístico
- Análise ROC
16. Minería de datos: ferramentas e técnicas prácticas de aprendizaxe automática
Usando enfoques do estudo de sistemas de bases de datos, aprendizaxe automática e estatísticas, as técnicas de minería de datos permítennos atopar patróns en grandes cantidades de datos.
Deberías conseguir o libro Data Mining: Practical Machine Learning Tools and Techniques se necesitas estudar técnicas de minería de datos en particular ou planeas aprender a aprendizaxe automática en xeral.
O mellor libro sobre aprendizaxe automática céntrase máis no seu lado técnico. Afonda máis nas complexidades técnicas da aprendizaxe automática e nas estratexias para recompilar datos e utilizar varias entradas e saídas para xulgar os resultados.
Temas tratados no libro
- Modelos lineais
- Agrupamento
- Modelización estatística
- Predición de rendemento
- Comparación de métodos de minería de datos
- Aprendizaxe baseada en instancias
- Representación do coñecemento e clusters
- Técnicas tradicionais e modernas de minería de datos
17. Python para análise de datos
A capacidade de avaliar os datos utilizados na aprendizaxe automática é a habilidade máis importante que debe posuír un científico de datos. Antes de desenvolver un modelo de ML que produza unha previsión precisa, a maior parte do seu traballo incluirá a manipulación, procesamento, limpeza e avaliación de datos.
Debes estar familiarizado con linguaxes de programación como Pandas, NumPy, Ipython e outros para realizar análises de datos.
Se queres traballar na ciencia de datos ou na aprendizaxe automática, debes ter a capacidade de manipular datos.
Definitivamente deberías ler o libro Python for Data Analysis neste caso.
Temas tratados no libro
- Esencial Bibliotecas de Python
- Pandas avanzados
- Exemplos de análise de datos
- Limpeza e preparación de datos
- Métodos matemáticos e estatísticos
- Resumo e cálculo da estatística descritiva
18. Procesamento da linguaxe natural con Python
A base dos sistemas de aprendizaxe automática é o procesamento da linguaxe natural.
O libro Procesamento da linguaxe natural con Python instrúeche sobre como utilizar NLTK, unha colección moi apreciada de módulos e ferramentas de Python para o procesamento da linguaxe natural simbólica e estatística para inglés e PNL en xeral.
O libro Procesamento da linguaxe natural con Python ofrece rutinas de Python eficaces que demostran a PNL dun xeito conciso e obvio.
Os lectores teñen acceso a conxuntos de datos ben anotados para tratar con datos non estruturados, estrutura lingüística do texto e outros elementos centrados na PNL.
Temas tratados no libro
- Como funciona a linguaxe humana?
- Estruturas de datos lingüísticos
- Kit de ferramentas de linguaxe natural (NLTK)
- Análise e análise semántica
- Bases de datos lingüísticos populares
- Integrar técnicas de intelixencia artificial e lingüística
19. Programación de intelixencia colectiva
The Programming Collective Intelligence de Toby Segaran, que está considerado como un dos mellores libros para comezar a comprender a aprendizaxe automática, foi escrito en 2007, anos antes de que a ciencia de datos e a aprendizaxe automática alcanzaran a súa posición actual como principais camiños profesionais.
O libro utiliza Python como método para difundir a súa experiencia entre o seu público. A Intelixencia Colectiva de Programación é máis un manual para a implementación de ml que unha introdución á aprendizaxe automática.
O libro ofrece información sobre o desenvolvemento de algoritmos de ML eficaces para recoller datos de aplicacións, programar para obter datos de sitios web e extrapolar os datos recollidos.
Cada capítulo inclúe actividades para ampliar os algoritmos discutidos e mellorar a súa utilidade.
Temas tratados no libro
- Filtrado bayesiano
- Soporte de máquinas vectoriais
- Algoritmos de buscadores
- Formas de facer predicións
- Técnicas de filtrado colaborativo
- Factorización matricial non negativa
- Evolución da intelixencia para a resolución de problemas
- Métodos para detectar grupos ou patróns
20. Aprendizaxe profundo (serie de computación adaptativa e aprendizaxe automática)
Como todos sabemos, a aprendizaxe profunda é un tipo mellorado de aprendizaxe automática que permite aos ordenadores aprender do rendemento pasado e dunha gran cantidade de datos.
Mentres utilizas técnicas de aprendizaxe automática, tamén debes estar familiarizado cos principios de aprendizaxe profunda. Este libro, que se considera a Biblia da aprendizaxe profunda, será moi útil nesta circunstancia.
Tres expertos en aprendizaxe profunda abordan neste libro temas moi complicados que están cheos de matemáticas e modelos xenerativos profundos.
Aportando unha base matemática e conceptual, o traballo discute ideas pertinentes en álxebra lineal, teoría da probabilidade, teoría da información, computación numérica e aprendizaxe automática.
Examina aplicacións como o procesamento da linguaxe natural, o recoñecemento de voz, a visión por ordenador, os sistemas de recomendación en liña, a bioinformática e os videoxogos e describe técnicas de aprendizaxe profunda utilizadas polos profesionais do sector, como redes de avance profundo, algoritmos de regularización e optimización, redes convolucionais e metodoloxía práctica. .
Temas tratados no libro
- Cálculo numérico
- Investigación de aprendizaxe profunda
- Técnicas de visión por ordenador
- Redes de avance profundo
- Optimización para a formación de modelos profundos
- Metodoloxía práctica
- Investigación de aprendizaxe profunda
Conclusión
Os 20 principais libros de aprendizaxe automática resúmense nesa lista, que podes usar para progresar na aprendizaxe automática na dirección que desexes.
Serás capaz de desenvolver unha base sólida en coñecementos de aprendizaxe automática e unha biblioteca de referencia que podes usar a miúdo mentres traballas na zona se les unha variedade destes libros de texto.
Serás inspirado para seguir aprendendo, mellorando e tendo efecto aínda que só leas un libro.
Cando estea preparado e competente para desenvolver os seus propios algoritmos de aprendizaxe automática, ten en conta que os datos son de vital importancia para o éxito do seu proxecto.
Deixe unha resposta