Tartalomjegyzék[Elrejt][Előadás]
Egyébként mindannyian tisztában vagyunk azzal, hogy a gépi tanulási technológia milyen gyorsan fejlődött az elmúlt néhány évben. A gépi tanulás olyan tudományág, amely számos vállalat, akadémikus és ágazat érdeklődését felkeltette.
Emiatt a gépi tanulásról szóló legjobb könyvekről fogok beszélni, amelyeket ma egy mérnöknek vagy kezdőnek el kell olvasnia. Bizonyára mindannyian egyetértettek abban, hogy a könyvek olvasása nem egyenlő az értelem használatával.
A könyvek olvasása segít elménknek sok új dolog felfedezésében. Az olvasás végül is tanulás. Az önálló tanuló címke nagyon szórakoztató. Ebben a cikkben kiemeljük a területen elérhető legjobb tankönyveket.
A következő tankönyvek jól bevált bevezetőt kínálnak a mesterséges intelligencia szélesebb területére, és gyakran használják egyetemi kurzusokon, és akadémikusok és mérnökök is ajánlják.
Még akkor is, ha van egy csomó gépi tanulás tapasztalattal, ezeknek a tankönyveknek a kézbe vétele nagyszerű módja lehet a felfrissülésnek. Hiszen a tanulás egy folyamatos folyamat.
1. Gépi tanulás abszolút kezdőknek
Szeretnél gépi tanulást tanulni, de nem tudod, hogyan csináld. Számos kulcsfontosságú elméleti és statisztikai fogalom van, amelyeket meg kell értenie, mielőtt elkezdi a gépi tanulásba való nagy utazást. És ez a könyv ezt az igényt kielégíti!
Teljes kezdőknek kínál magas szintű, alkalmazható bevezetés a gépi tanulásba. A Machine Learning for Absolute Beginners című könyv az egyik legjobb választás azoknak, akik a gépi tanulás és a kapcsolódó ötletek legegyszerűbb magyarázatát keresik.
A könyv számos ml-es algoritmusát tömör magyarázatok és grafikus példák kísérik, amelyek segítenek az olvasóknak mindent megérteni, amiről szó esik.
A könyvben tárgyalt témák
- Alapjai neurális hálózatok
- Regresszió analízis
- Funkciótervezés
- Klaszterezés
- Keresztellenőrzés
- Adattisztítási technikák
- Döntési fák
- Együttes modellezés
2. Gépi tanulás Dummies számára
A gépi tanulás zavaró ötlet lehet a hétköznapi emberek számára. Azonban nekünk, akik hozzáértünk, megfizethetetlen.
ML nélkül nehéz kezelni az olyan problémákat, mint az online keresési eredmények, a weboldalakon megjelenő valós idejű hirdetések, az automatizálás vagy akár a spamszűrés (Igen!).
Ennek eredményeként ez a könyv egy egyszerű bevezetést kínál, amely segít többet megtudni a gépi tanulás rejtélyes birodalmáról. A Machine Learning For Dummies segítségével megtanulhatja, hogyan kell „beszélni” olyan nyelveket, mint a Python és az R, ami lehetővé teszi a számítógépek mintafelismerésre és adatelemzésre való betanítását.
Ezenkívül megtanulhatja, hogyan használhatja a Python Anacondáját és az R Studio-t az R-ben való fejlesztéshez.
A könyvben tárgyalt témák
- Adatok előkészítése
- megközelítések a gépi tanuláshoz
- A gépi tanulási ciklus
- Felügyelt és felügyelet nélküli tanulás
- Gépi tanulási rendszerek képzése
- A gépi tanulási módszerek összekapcsolása az eredményekkel
3. A százoldalas gépi tanulási könyv
Megvalósítható-e a gépi tanulás minden aspektusa 100 oldal alatt? Andriy Burkov The Hundred-Page Machine Learning Book című könyve ugyanerre tesz kísérletet.
A gépi tanulási könyvet jól megírták, és olyan neves gondolatvezetők támogatják, mint Sujeet Varakhedi, az eBay mérnöki részlegének vezetője és Peter Norvig, a Google kutatási igazgatója.
Ez a legjobb könyv egy kezdő gépi tanulásban. A könyv alapos elolvasása után képes leszel kifinomult AI-rendszereket felépíteni és megérteni, sikeres leszel egy gépi tanulási interjún, és akár saját, ML-alapú céget is elindíthatsz.
A könyv azonban nem a gépi tanulásban teljesen kezdőknek készült. Nézz körül valahol, ha valami alapvetőbbre vágysz.
A könyvben tárgyalt témák
- Anatómiája a tanulási algoritmus
- Felügyelt tanulás és felügyelet nélküli tanulás
- Erősítő tanulás
- A gépi tanulás alapvető algoritmusai
- A neurális hálózatok és a mély tanulás áttekintése
4. A gépi tanulás megértése
A gépi tanulás szisztematikus bevezetését a Understanding Machine Learning című könyv tartalmazza. A könyv mélyrehatóan foglalkozik a gépi tanulás alapötleteivel, számítási paradigmáival és matematikai levezetéseivel.
A gépi tanulási tárgyak széles skáláját mutatja be egyszerű módon a gépi tanulás. A könyv leírja a gépi tanulás elméleti alapjait, valamint azokat a matematikai levezetéseket, amelyek ezeket az alapokat hasznos algoritmusokká alakítják.
A könyv bemutatja az alapokat, mielőtt olyan kulcsfontosságú témák széles körét lefedné, amelyekkel a korábbi tankönyvek nem foglalkoztak.
Ebbe beletartozik a konvexitás és stabilitás fogalmának, valamint a tanulás számítási komplexitásának, valamint olyan jelentős algoritmikus paradigmák tárgyalása, mint a sztochasztikus. gradiens süllyedés, neurális hálózatok és strukturált kimeneti tanulás, valamint olyan újonnan megjelenő elméleti ötletek, mint a PAC-Bayes megközelítés és a tömörítésen alapuló korlátok. Kezdő végzősöknek vagy haladó egyetemistáknak készült.
A könyvben tárgyalt témák
- A gépi tanulás számítási összetettsége
- ML algoritmusok
- Neurális hálózatok
- PAC-Bayes megközelítés
- Sztochasztikus gradiens süllyedés
- Strukturált kimeneti tanulás
5. Bevezetés a gépi tanulásba Python segítségével
Ön egy Pythonban jártas adattudós, aki a gépi tanulást szeretné tanulmányozni? A legjobb könyv a gépi tanulási kaland elindításához: Bevezetés a gépi tanulásba Python segítségével: Útmutató adattudósoknak.
Az Introduction to Machine Learning with Python: A Guide for Data Scientists című könyv segítségével számos hasznos technikát fedezhet fel egyedi gépi tanulási programok létrehozására.
Leírja a Python és a Scikit-Learn csomag használatának minden döntő lépését a megbízható gépi tanulási alkalmazások létrehozásához.
A Matplotlib és NumPy könyvtárak szilárd megértése sokkal könnyebbé teszi a tanulást.
A könyvben tárgyalt témák
- Modern technikák a paraméterek módosítására és a modellértékelésre
- Alkalmazások és alapvető gépi tanulási ötletek
- automatizált tanulási technikák
- Szöveges adatok kezelésének technikái
- Modell láncolási és munkafolyamat-beágyazási csővezetékek
- Adatábrázolás feldolgozás után
6. Gyakorlati gépi tanulás a Sci-kit tanulással, Keras és Tensorflow segítségével
Az adattudományról és a gépi tanulásról szóló legalaposabb publikációk között van tele tudással. Javasoljuk, hogy a szakértők és a kezdők is többet tanuljanak erről a témáról.
Bár ez a könyv csak kevés elméletet tartalmaz, erős példák támasztják alá, így helyet kap a listán.
Ez a könyv számos témát tartalmaz, beleértve a scikit-learn-et gépi tanulási projektekhez és a TensorFlow-t a neurális hálózatok létrehozásához és betanításához.
Miután elolvasta ezt a könyvet, úgy gondoljuk, hogy jobban felkészült lesz arra, hogy tovább elmélyedjen mély tanulás és gyakorlati problémákkal foglalkozni.
A könyvben tárgyalt témák
- Vizsgálja meg a gépi tanulás környezetét, különösen a neurális hálózatokat
- Kövesse nyomon egy mintagépi tanulási projektet az elejétől a befejezésig a Scikit-Learn segítségével.
- Vizsgáljon meg több képzési modellt, például együttes technikákat, véletlenszerű erdőket, döntési fákat és támogató vektorgépeket.
- Neurális hálózatok létrehozása és betanítása a TensorFlow könyvtár használatával.
- A felfedezés során fontolja meg a konvolúciós hálózatokat, az ismétlődő hálókat és a mélyreható tanulást idegháló tervez.
- Tanulja meg a mély neurális hálózatok méretezését és betanítását.
7. Gépi tanulás hackereknek
Az adatelemzés iránt érdeklődő tapasztalt programozó számára a Machine Learning for Hackers című könyvet írták. A hackerek ebben az összefüggésben képzett matematikusok.
Ha valaki jól érti az R-t, ez a könyv nagyszerű választás, mert a legtöbb az R nyelvű adatelemzéssel foglalkozik. A könyv emellett foglalkozik az adatok kezelésével a fejlett R használatával.
A vonatkozó esettörténetek beillesztése hangsúlyozza a gépi tanulási algoritmusok alkalmazásának értékét, ez lehet a Machine Learning for Hackers könyv legjelentősebb értékesítési pontja.
A könyv számos valós példát ad a gépi tanulás tanulásának egyszerűbbé és gyorsabbá tételére, ahelyett, hogy elmélyülne annak matematikai elméletében.
A könyvben tárgyalt témák
- Hozzon létre egy naiv Bayes-féle osztályozót, amely egyszerűen az e-mail tartalmát elemzi annak megállapítására, hogy az e-mail-e spam-e.
- Az oldalmegtekintések számának előrejelzése az 1,000 legnépszerűbb webhelyhez lineáris regresszió segítségével
- Vizsgálja meg az optimalizálási módszereket egy egyszerű betűrejtjel feltörésével.
8. Python gépi tanulás példákkal
Ez a könyv, amely segít megérteni és létrehozni a különféle gépi tanulási, mély tanulási és adatelemzési módszereket, valószínűleg az egyetlen, amely csak a Pythonra, mint programozási nyelvre összpontosít.
Számos hatékony könyvtárat fed le különböző gépi tanulási algoritmusok, például a Scikit-Learn megvalósításához. A Tensor Flow modul segítségével megtaníthatja a mély tanulást.
Végül bemutatja a gépi és mély tanulással elérhető számos adatelemzési lehetőséget.
Azt is megtanítja számtalan technikára, amely felhasználható az Ön által létrehozott modell hatékonyságának növelésére.
A könyvben tárgyalt témák
- A Python és a gépi tanulás tanulása: Útmutató kezdőknek
- A 2 hírcsoport adatkészletének és a Naive Bayes spam e-mail észlelésének vizsgálata
- SVM-ek segítségével osztályozza a hírek témáit Átkattintási előrejelzés fákon alapuló algoritmusok segítségével
- Az átkattintási arány előrejelzése logisztikus regresszió segítségével
- Regressziós algoritmusok használata a részvényárak legmagasabb színvonalának előrejelzésére
9. Python gépi tanulás
A Python Machine Learning könyv elmagyarázza a gépi tanulás alapjait, valamint annak jelentőségét a digitális tartományban. Ez egy gépi tanulási könyv kezdőknek.
A könyv emellett a gépi tanulás számos részterületét és alkalmazását is tárgyalja. A Python programozás alapelveiről és az ingyenes és nyílt forráskódú programozási nyelv használatának megkezdéséről szintén a Python Machine Learning könyvben olvashat.
A gépi tanulási könyv befejezése után számos gépi tanulási feladatot tud hatékonyan létrehozni Python kódolás segítségével.
A könyvben tárgyalt témák
- A mesterséges intelligencia alapjai
- döntési fa
- Logisztikus regresszió
- Mélyreható neurális hálózatok
- Python programozási nyelv alapjai
10. Gépi tanulás: Valószínűségi perspektíva
A Machine Learning: A Probabilistic Perspective egy humoros gépi tanulási könyv, amely nosztalgikus színes grafikákat és gyakorlati, valós példákat tartalmaz olyan tudományágakból, mint a biológia, a számítógépes látás, a robotika és a szövegfeldolgozás.
Tele van hétköznapi prózával és pszeudokóddal az alapvető algoritmusokhoz. A Machine Learning: A Probabilistic Perspective más, szakácskönyv stílusban bemutatott, különféle heurisztikus megközelítéseket ismertető gépi tanulási kiadványokkal ellentétben elvi modellalapú megközelítésre összpontosít.
Grafikus ábrázolások segítségével világos és érthető módon határozza meg az ml modelleket. Ez a tankönyv egységes, valószínűségi megközelítés alapján teljes és önálló bevezetést nyújt a gépi tanulás területéhez.
A tartalom egyszerre tág és mély, beleértve az alapvető háttéranyagokat olyan témákról, mint a valószínűségszámítás, az optimalizálás és a lineáris algebra, valamint a feltételes véletlenszerű mezők, az L1-szabályozás és a mélytanulás területén elért modern fejlesztések megvitatása.
A könyv hétköznapi, könnyen megközelíthető nyelven íródott, pszeudokódot tartalmazva a főbb jelentős algoritmusokhoz.
A könyvben tárgyalt témák
- Valószínűség
- Mély tanulás
- L1 rendszeresítés
- Optimalizálás
- Szövegfeldolgozás
- Computer Vision alkalmazások
- Robotikai alkalmazások
11. A statisztikai tanulás elemei
Fogalmi kerete és sokféle tantárgy miatt ez a gépi tanulási tankönyv gyakran elismert a területen.
Ez a könyv referenciaként használható mindazok számára, akiknek olyan témákat kell felfrissíteniük, mint a neurális hálózatok és a tesztelési technikák, valamint egy egyszerű bevezetés a gépi tanulásba.
A könyv agresszíven arra készteti az olvasót, hogy minden lépésben végezze el saját kísérleteit és vizsgálatait, így értékessé teszi a gépi tanulási képességben vagy munkakörben való megfelelő előrelépéshez szükséges képességek és kíváncsiság kifejlesztéséhez.
Fontos eszköz a statisztikusok és mindazok számára, akik érdeklődnek az adatbányászat iránt az üzleti életben vagy a tudományban. Mielőtt elkezdené ezt a könyvet, győződjön meg arról, hogy legalább a lineáris algebrát megértette.
A könyvben tárgyalt témák
- Felügyelt tanulás (előrejelzés) a felügyelet nélküli tanulásra
- Neurális hálózatok
- Támogatja a vektoros gépeket
- Osztályozó fák
- Erősítő algoritmusok
12. Mintafelismerés és gépi tanulás
A mintafelismerés és a gépi tanulás világa alaposan megismerhető ebben a könyvben. A mintafelismerés Bayes-féle megközelítését eredetileg ebben a kiadványban mutatták be.
Ezen túlmenően a könyv olyan kihívást jelentő témákat vizsgál, amelyeknek a többváltozós, az adattudomány és az alapvető lineáris algebra gyakorlati megértésére van szükség.
A gépi tanulással és a valószínűségszámítással kapcsolatban a referenciakönyv egyre nehezebb bonyolultságú fejezeteket kínál az adatkészletek trendjei alapján. A mintafelismerés általános bevezetése előtt egyszerű példákat mutatunk be.
A könyv olyan közelítő következtetési technikákat kínál, amelyek gyors közelítést tesznek lehetővé olyan esetekben, amikor a pontos megoldás nem kivitelezhető. Nincsenek más könyvek, amelyek grafikus modelleket alkalmaznának a valószínűségi eloszlások leírására, de igen.
A könyvben tárgyalt témák
- Bayesi módszerek
- Hozzávetőleges következtetési algoritmusok
- Kerneleken alapuló új modellek
- Bevezetés az alapvető valószínűségszámításba
- Bevezetés a mintafelismerésbe és a gépi tanulásba
13. A gépi tanulás alapjai a prediktív adatelemzésből
Ha elsajátítottad a gépi tanulás alapjait, és szeretnél továbblépni a prediktív adatelemzés felé, ez a könyv neked való!!! A hatalmas adatkészletekből származó minták megtalálásával a Machine Learning felhasználható előrejelzési modellek fejlesztésére.
Ez a könyv az ML felhasználás megvalósítását vizsgálja Prediktív adatelemzés mélyreható, beleértve az elméleti elveket és a tényleges példákat is.
Annak ellenére, hogy a „Gépi tanulás alapjai a prediktív adatelemzéshez” cím egy falat, ez a könyv felvázolja a prediktív adatelemzés útját az adatoktól a betekintésig a következtetésig.
Négy gépi tanulási megközelítést is tárgyal: információ-alapú tanulás, hasonlóság-alapú tanulás, valószínűség-alapú tanulás és hibaalapú tanulás, mindegyik nem technikai fogalmi magyarázattal, majd matematikai modellekkel és algoritmusokkal példákkal.
A könyvben tárgyalt témák
- Információ alapú tanulás
- Hasonlóság alapú tanulás
- Valószínűség-alapú tanulás
- Hiba alapú tanulás
14. Alkalmazott prediktív modellezés
Az Applied Predictive Modeling a teljes prediktív modellezési folyamatot vizsgálja, kezdve az adatok előfeldolgozása, az adatfelosztás és a modellhangolás alapjainak kritikus fázisaival.
A munka ezt követően világos leírásokat mutat be számos hagyományos és újabb regressziós és osztályozási megközelítésről, a valós adatokkal kapcsolatos kihívások bemutatására és megoldására összpontosítva.
Az útmutató a modellezési folyamat minden aspektusát bemutatja számos gyakorlati, valós példával, és minden fejezet átfogó R-kódot tartalmaz a folyamat minden szakaszához.
Ez a többcélú kötet bevezetőként használható a prediktív modellekhez és a teljes modellezési folyamathoz, referencia útmutatóként a gyakorló szakemberek számára, vagy szövegként a haladó egyetemi vagy posztgraduális szintű prediktív modellezési kurzusokhoz.
A könyvben tárgyalt témák
- Technikai regresszió
- Osztályozási technika
- Összetett ML algoritmusok
15. Gépi tanulás: Az adatok értelmét adó algoritmusok művészete és tudománya
Ha Ön középhaladó vagy szakértő a gépi tanulásban, és szeretne „visszatérni az alapokhoz”, ez a könyv neked szól! Teljes elismerést ad a Machine Learning óriási összetettségének és mélységének, miközben soha nem téveszti szem elől az egyesítő alapelveket (nagy teljesítmény!).
Gépi tanulás: Az algoritmusok művészete és tudománya számos, egyre bonyolultabb esettanulmányt, valamint számos példát és képet tartalmaz (hogy a dolgok érdekesek maradjanak!).
A könyv a logikai, geometriai és statisztikai modellek széles skáláját is lefedi, valamint olyan bonyolult és újszerű témákat, mint a mátrixfaktorizáció és a ROC-elemzés.
A könyvben tárgyalt témák
- Leegyszerűsíti a gépi tanulási algoritmusokat
- Logikai modell
- Geometriai modell
- Statisztikai modell
- ROC elemzés
16. Adatbányászat: gyakorlati gépi tanulási eszközök és technikák
Az adatbázisrendszerek, a gépi tanulás és a statisztika tanulmányozásából származó megközelítések felhasználásával az adatbányászati technikák lehetővé teszik számunkra, hogy hatalmas mennyiségű adatban mintákat találjunk.
Érdemes beszereznie az Adatbányászat: Gyakorlati gépi tanulási eszközök és technikák című könyvet, ha különösen az adatbányászati technikákat kell tanulmányoznia, vagy általában a gépi tanulást tervezi.
A gépi tanulásról szóló legjobb könyv inkább a technikai oldalára koncentrál. Részletesebben foglalkozik a gépi tanulás technikai bonyolultságával és az adatgyűjtési stratégiákkal, valamint a különböző bemenetek és kimenetek felhasználásával az eredmények megítélésére.
A könyvben tárgyalt témák
- Lineáris modellek
- Klaszterezés
- Statisztikai modellezés
- A teljesítmény előrejelzése
- Adatbányászati módszerek összehasonlítása
- Példányalapú tanulás
- Tudásreprezentáció és klaszterek
- Hagyományos és modern adatbányászati technikák
17. Python adatelemzéshez
A gépi tanulásban használt adatok értékelésének képessége a legfontosabb készség, amellyel egy adatkutatónak rendelkeznie kell. A pontos előrejelzést készítő ML-modell kidolgozása előtt a munkája nagy része az adatok kezeléséből, feldolgozásából, tisztításából és értékeléséből áll.
Az adatelemzés végrehajtásához ismernie kell az olyan programozási nyelveket, mint a Pandas, NumPy, Ipython és mások.
Ha adattudományban vagy gépi tanulásban szeretne dolgozni, képesnek kell lennie az adatok manipulálására.
Ebben az esetben mindenképpen el kell olvasnia a Python for Data Analysis című könyvet.
A könyvben tárgyalt témák
- Alapvető Python könyvtárak
- Fejlett pandák
- Adatelemzési példák
- Adatok tisztítása és előkészítése
- Matematikai és statisztikai módszerek
- Leíró statisztikák összegzése és számítása
18. Természetes nyelvi feldolgozás Python segítségével
A gépi tanulási rendszerek alapja a természetes nyelvi feldolgozás.
A Natural Language Processing with Python című könyv megtanít arra, hogyan használhatja az NLTK-t, amely Python modulok és eszközök közkedvelt gyűjteménye az angol és általában az NLP szimbolikus és statisztikai természetes nyelvi feldolgozásához.
A Natural Language Processing with Python című könyv hatékony Python-rutinokat kínál, amelyek tömören, kézenfekvően mutatják be az NLP-t.
Az olvasók jól jelzett adatkészletekhez férhetnek hozzá a strukturálatlan adatok, a szöveg-nyelvi struktúra és más NLP-központú elemek kezelésére.
A könyvben tárgyalt témák
- Hogyan működik az emberi nyelv?
- Nyelvi adatszerkezetek
- Natural Language Toolkit (NLTK)
- Elemzés és szemantikai elemzés
- Népszerű nyelvi adatbázisok
- Integrálja a technikákat mesterséges intelligencia és a nyelvészet
19. A kollektív intelligencia programozása
Toby Segaran kollektív intelligencia programozása, amelyet a gépi tanulás megértésének egyik legjobb könyveként tartanak számon, 2007-ben írták, évekkel azelőtt, hogy az adattudomány és a gépi tanulás elérte volna jelenlegi vezető pozícióját.
A könyv a Pythont használja arra, hogy szakértelmét a közönséghez eljuttassa. A Kollektív Programozási Intelligencia inkább az ml implementáció kézikönyve, mintsem a gépi tanulásba való bevezető.
A könyv információkat nyújt hatékony ML algoritmusok kidolgozásáról az alkalmazásokból származó adatok gyűjtésére, a webhelyekről való adatgyűjtés programozására és az összegyűjtött adatok extrapolálására.
Minden fejezet tartalmaz tevékenységeket a tárgyalt algoritmusok bővítésére és hasznosságuk növelésére.
A könyvben tárgyalt témák
- Bayesi szűrés
- Támogatja a vektoros gépeket
- Keresőmotor-algoritmusok
- A jóslatok készítésének módjai
- Kollaboratív szűrési technikák
- Nem negatív mátrixfaktorizáció
- Fejlődő intelligencia a problémamegoldáshoz
- Módszerek csoportok vagy minták kimutatására
20. Mély tanulás (adaptatív számítási és gépi tanulási sorozat)
Amint azt mindannyian tudjuk, a mély tanulás a gépi tanulás továbbfejlesztett fajtája, amely lehetővé teszi a számítógépek számára, hogy tanuljanak a múltbeli teljesítményből és nagy mennyiségű adatból.
A gépi tanulási technikák használata közben ismernie kell a mélytanulási elveket is. Ez a könyv, amelyet a mély tanulás Bibliájaként tartanak számon, nagyon hasznos lesz ebben a helyzetben.
Három mély tanulási szakértő rendkívül bonyolult témákkal foglalkozik, amelyek tele vannak matematikával és mély generatív modellekkel ebben a könyvben.
A munka matematikai és fogalmi alapot biztosítva a lineáris algebra, a valószínűségszámítás, az információelmélet, a numerikus számítások és a gépi tanulás vonatkozó elképzeléseit tárgyalja.
Olyan alkalmazásokat vizsgál meg, mint a természetes nyelvi feldolgozás, beszédfelismerés, számítógépes látás, online ajánlórendszerek, bioinformatika és videojátékok, és leírja az iparági szakemberek által használt mély tanulási technikákat, mint például a mélyrecsatolt hálózatok, a szabályosítási és optimalizálási algoritmusok, a konvolúciós hálózatok és a gyakorlati módszertan. .
A könyvben tárgyalt témák
- Numerikus számítás
- Mély tanulási kutatás
- Computer Vision technikák
- Deep Feedforward hálózatok
- Optimalizálás mély modellek képzéséhez
- Gyakorlati módszertan
- Mély tanulási kutatás
Következtetés
A 20 legnépszerűbb gépi tanulási könyv összefoglalása ebben a listában található, amelyek segítségével a gépi tanulást a kívánt irányba haladhatja.
Ha sokféle tankönyvet olvas, szilárd alapot tud kialakítani a gépi tanulási szakértelem terén, valamint egy referenciakönyvtárat, amelyet gyakran használhat a területen végzett munka során.
Inspirációt kap a tanulás folytatására, a jobbulásra és a hatás elérésére, még akkor is, ha csak egy könyvet olvas el.
Ha felkészült és kompetens saját gépi tanulási algoritmusainak fejlesztésére, ne feledje, hogy az adatok létfontosságúak projektje sikeréhez.
Hagy egy Válaszol