Բառը[Թաքցնել][Ցուցադրում]
Ի դեպ, մենք բոլորս տեղյակ ենք, թե որքան արագ է զարգացել մեքենայական ուսուցման տեխնոլոգիան վերջին մի քանի տարիների ընթացքում: Մեքենայական ուսուցումը կարգապահություն է, որը գրավել է մի քանի կորպորացիաների, գիտնականների և ոլորտների հետաքրքրությունը:
Դրա շնորհիվ ես կքննարկեմ մեքենայական ուսուցման մասին լավագույն գրքերից մի քանիսը, որոնք այսօր պետք է կարդան ինժեները կամ նորեկը: Երևի բոլորդ համաձայն եք, որ գրքեր կարդալը նույնը չէ, ինչ ինտելեկտ օգտագործելը։
Գրքեր կարդալն օգնում է մեր մտքերին բացահայտել շատ նոր բաներ: Ի վերջո, կարդալը սովորել է: Ինքնասովորող պիտակ ունենալը շատ զվարճալի է: Ոլորտում առկա մեծագույն դասագրքերը կնշվեն այս հոդվածում:
Հետևյալ դասագրքերն առաջարկում են փորձված և ճշմարիտ ներածություն AI-ի ավելի մեծ ոլորտում և հաճախ օգտագործվում են համալսարանական դասընթացներում և առաջարկվում են ակադեմիկոսների և ինժեներների կողմից:
Նույնիսկ եթե դուք ունեք մի տոննա Machine Learning փորձը, այս դասագրքերից մեկը վերցնելը կարող է հրաշալի միջոց լինել: Ի վերջո, սովորելը շարունակական գործընթաց է:
1. Մեքենայի ուսուցում բացարձակ սկսնակների համար
Դուք կցանկանայիք սովորել մեքենայական ուսուցում, բայց չգիտեք, թե ինչպես դա անել: Կան մի քանի կարևոր տեսական և վիճակագրական հասկացություններ, որոնք դուք պետք է հասկանաք նախքան ձեր էպիկական ճանապարհորդությունը դեպի մեքենայական ուսուցում սկսելը: Եվ այս գիրքը լրացնում է այդ կարիքը:
Այն առաջարկում է ամբողջական նորեկներին բարձր մակարդակով, կիրառելի ներածություն մեքենայական ուսուցմանը. Մեքենայական ուսուցում բացարձակ սկսնակների համար գիրքը լավագույն ընտրություններից մեկն է բոլոր նրանց համար, ովքեր փնտրում են մեքենայական ուսուցման և հարակից գաղափարների առավել պարզեցված բացատրությունը:
Գրքի բազմաթիվ մլ ալգորիթմները ուղեկցվում են հակիրճ բացատրություններով և գրաֆիկական օրինակներով, որոնք կօգնեն ընթերցողներին հասկանալ այն ամենը, ինչ քննարկվում է:
Գրքում ընդգրկված թեմաներ
- -Ի հիմունքները նյարդային ցանցեր
- Ռեգրեսի վերլուծություն
- Հատկանշական ճարտարագիտություն
- Կլաստերացում
- Խաչաձև վավերացում
- Տվյալների մաքրման տեխնիկա
- Որոշման ծառեր
- Անսամբլի մոդելավորում
2. Մեքենաների ուսուցում խաբեբաների համար
Մեքենայական ուսուցումը կարող է շփոթեցնող գաղափար լինել սովորական մարդկանց համար: Այնուամենայնիվ, դա անգին է մեզնից նրանց համար, ովքեր բանիմաց են:
Առանց ML-ի, դժվար է կառավարել այնպիսի հարցեր, ինչպիսիք են առցանց որոնման արդյունքները, իրական ժամանակի գովազդները վեբ էջերում, ավտոմատացումը կամ նույնիսկ սպամի զտումը (Այո):
Արդյունքում այս գիրքն առաջարկում է ձեզ պարզ ներածություն, որը կօգնի ձեզ ավելին իմանալ մեքենայական ուսուցման առեղծվածային ոլորտի մասին: Machine Learning For Dummies-ի օգնությամբ դուք կսովորեք, թե ինչպես «խոսել» այնպիսի լեզուներով, ինչպիսիք են Python-ը և R-ը, ինչը թույլ կտա ձեզ վարժեցնել համակարգիչներին օրինաչափությունների ճանաչման և տվյալների վերլուծության համար:
Բացի այդ, դուք կսովորեք, թե ինչպես օգտագործել Python's Anaconda-ն և R Studio-ն R-ում զարգանալու համար:
Գրքում ընդգրկված թեմաներ
- Տվյալների պատրաստում
- մեքենայական ուսուցման մոտեցումներ
- Մեքենայի ուսուցման ցիկլը
- Վերահսկվող և չվերահսկվող ուսուցում
- Մեքենայի ուսուցման համակարգերի ուսուցում
- Մեքենայի ուսուցման մեթոդները կապել արդյունքների հետ
3. Հարյուր էջի մեքենայական ուսուցման գիրք
Հնարավո՞ր է արդյոք ծածկել մեքենայական ուսուցման բոլոր ասպեկտները 100 էջից ցածր: Անդրեյ Բուրկովի «Հարյուր էջանոց մեքենայական ուսուցման գիրքը» նույնն անելու փորձ է:
Մեքենայի ուսուցման գիրքը լավ գրված է և աջակցում է հայտնի մտքի առաջնորդներին, ներառյալ Սուջեթ Վարախեդին, eBay-ի ճարտարագիտության ղեկավարը և Google-ի հետազոտության տնօրեն Փիթեր Նորվիգը:
Դա մեծագույն գիրքն է մեքենայական ուսուցման սկսնակների համար: Գիրքը մանրակրկիտ կարդալուց հետո դուք կկարողանաք կառուցել և հասկանալ բարդ արհեստական ինտելեկտի համակարգեր, հաջողության հասնել մեքենայական ուսուցման հարցազրույցում և նույնիսկ բացել ձեր սեփական ML-ի վրա հիմնված ընկերությունը:
Այնուամենայնիվ, գիրքը նախատեսված չէ մեքենայական ուսուցման լրիվ սկսնակների համար: Նայեք ինչ-որ տեղ, եթե ավելի հիմնարար բան եք փնտրում:
Գրքում ընդգրկված թեմաներ
- Ա-ի անատոմիա ուսուցման ալգորիթմ
- Վերահսկվող ուսուցում և չվերահսկվող ուսուցում
- Ամրապնդման ուսուցում
- Մեքենայի ուսուցման հիմնարար ալգորիթմներ
- Նյարդային ցանցերի և խորը ուսուցման ակնարկ
4. Հասկանալով մեքենայական ուսուցումը
Մեքենայի ուսուցման համակարգված ներածություն տրված է «Հասկանալ մեքենայական ուսուցման» գրքում: Գիրքը խորապես խորանում է մեքենայական ուսուցման հիմնարար գաղափարների, հաշվողական պարադիգմների և մաթեմատիկական ածանցյալների մեջ:
Մեքենայի ուսուցման առարկաների լայն շրջանակ ներկայացված է պարզ ձևով մեքենայական ուսուցման միջոցով: Գրքում նկարագրված են մեքենայական ուսուցման տեսական հիմունքները՝ մաթեմատիկական ածանցյալների հետ միասին, որոնք այդ հիմքերը վերածում են օգտակար ալգորիթմների։
Գիրքը ներկայացնում է հիմունքները նախքան կարևորագույն թեմաների լայն շրջանակը լուսաբանելը, որոնք նախկին դասագրքերում չեն լուսաբանվել:
Սրա մեջ ներառված են ուռուցիկության և կայունության հայեցակարգերի և ուսուցման հաշվողական բարդության քննարկում, ինչպես նաև զգալի ալգորիթմական պարադիգմներ, ինչպիսիք են ստոխաստիկը գրադիենտ վայրէջք, նեյրոնային ցանցեր և կառուցվածքային արդյունքի ուսուցում, ինչպես նաև նոր ձևավորվող տեսական գաղափարներ, ինչպիսիք են PAC-Bayes մոտեցումը և սեղմման վրա հիմնված սահմանները: նախատեսված է սկսնակ շրջանավարտների կամ առաջադեմ բակալավրիատի համար:
Գրքում ընդգրկված թեմաներ
- Մեքենայի ուսուցման հաշվողական բարդությունը
- ML ալգորիթմներ
- Նյարդային ցանցեր
- PAC-Bayes մոտեցում
- Ստոխաստիկ գրադիենտ վայրէջք
- Կառուցվածքային արդյունքի ուսուցում
5. Ներածություն Python-ով մեքենայական ուսուցմանը
Դուք Python-ի գիտակ տվյալների գիտնական եք, ով ցանկանում է ուսումնասիրել մեքենայական ուսուցումը: Ձեր մեքենայական ուսուցման արկածը սկսելու լավագույն գիրքը Python-ի հետ մեքենայական ուսուցման ներածություն է. ուղեցույց տվյալների գիտնականների համար:
«Ներածություն մեքենայական ուսուցման հետ Python. A Guide for Data Scientists» գրքի օգնությամբ դուք կբացահայտեք մի շարք օգտակար տեխնիկա՝ հատուկ մեքենայական ուսուցման ծրագրեր ստեղծելու համար:
Դուք կանդրադառնաք Python-ի և Scikit-Learn փաթեթի օգտագործման յուրաքանչյուր կարևոր քայլի՝ մեքենայական ուսուցման հուսալի հավելվածներ ստեղծելու համար:
Matplotlib և NumPy գրադարանների լավ ընկալումը շատ ավելի հեշտ կդարձնի սովորելը:
Գրքում ընդգրկված թեմաներ
- Պարամետրերի ճշգրտման և մոդելի գնահատման ժամանակակից տեխնիկա
- Ծրագրեր և հիմնական մեքենայական ուսուցման գաղափարներ
- ավտոմատացված ուսուցման տեխնիկա
- Տեքստային տվյալների մանիպուլյացիայի տեխնիկա
- Մոդելային շղթայական և աշխատանքային հոսքի պարփակման խողովակաշարեր
- Տվյալների ներկայացում մշակումից հետո
6. Գործնական մեքենայական ուսուցում Sci-kit Learn-ի, Keras & Tensorflow-ի միջոցով
Տվյալների գիտության և մեքենայական ուսուցման վերաբերյալ առավել մանրակրկիտ հրապարակումների շարքում այն լի է գիտելիքներով: Խորհուրդ է տրվում, որ փորձագետները և սկսնակները ավելի շատ ուսումնասիրեն այս թեմայի շուրջ:
Չնայած այս գիրքը պարունակում է ընդամենը մի փոքր տեսություն, այն ապահովված է ուժեղ օրինակներով, ինչը նրան տեղ է հատկացնում ցուցակում:
Այս գիրքը ներառում է մի շարք թեմաներ, այդ թվում՝ scikit-learn մեքենայական ուսուցման նախագծերի համար և TensorFlow՝ նեյրոնային ցանցեր ստեղծելու և վարժեցնելու համար:
Այս գիրքը կարդալուց հետո մենք կարծում ենք, որ դուք ավելի լավ պատրաստված կլինեք ավելի խորանալու համար խորը ուսուցում և զբաղվել գործնական խնդիրներով:
Գրքում ընդգրկված թեմաներ
- Ուսումնասիրեք մեքենայական ուսուցման լանդշաֆտը, հատկապես նեյրոնային ցանցերը
- Հետևեք մեքենայական ուսուցման նախագծի օրինակին սկզբից մինչև վերջ՝ օգտագործելով Scikit-Learn-ը:
- Ուսումնասիրեք մի քանի ուսուցման մոդելներ, ինչպիսիք են անսամբլի տեխնիկան, պատահական անտառները, որոշումների ծառերը և օժանդակ վեկտորային մեքենաները:
- Ստեղծեք և վարժեցրեք նեյրոնային ցանցեր՝ օգտագործելով TensorFlow գրադարանը:
- Հետազոտելիս հաշվի առեք կոնվոլյուցիոն ցանցերը, կրկնվող ցանցերը և խորը ամրապնդման ուսուցումը նյարդային ցանց նմուշների.
- Իմացեք, թե ինչպես մեծացնել և վարժեցնել խորը նեյրոնային ցանցերը:
7. Մեքենայի ուսուցում հաքերների համար
Տվյալների վերլուծությամբ հետաքրքրված փորձառու ծրագրավորողի համար գրված է «Մեքենայական ուսուցում հաքերների համար» գիրքը: Հաքերներն այս համատեքստում հմուտ մաթեմատիկոսներ են:
R-ի լավ պատկերացում ունեցողի համար այս գիրքը հիանալի ընտրություն է, քանի որ դրա մեծամասնությունը կենտրոնացած է R-ում տվյալների վերլուծության վրա: Բացի այդ, գրքում ընդգրկված է նաև այն մասին, թե ինչպես կարելի է շահարկել տվյալները՝ օգտագործելով առաջադեմ R.
Համապատասխան դեպքերի պատմությունների ներառումը ընդգծում է մեքենայական ուսուցման ալգորիթմների կիրառման արժեքը, կարող է լինել «Մեքենայական ուսուցում հաքերների համար» գրքի ամենակարևոր վաճառքի կետը:
Գիրքը տալիս է բազմաթիվ իրական աշխարհի օրինակներ՝ մեքենայական ուսուցումն ավելի պարզ և արագ դարձնելու համար, այլ ոչ թե խորանալու դրա մաթեմատիկական տեսության մեջ:
Գրքում ընդգրկված թեմաներ
- Ստեղծեք միամիտ Բայեսյան դասակարգիչ, որը վերլուծում է պարզապես էլփոստի բովանդակությունը՝ որոշելու, թե արդյոք այն սպամ է:
- Լավագույն 1,000 կայքերի համար էջերի դիտումների քանակի կանխատեսում՝ օգտագործելով գծային ռեգրեսիա
- Ուսումնասիրեք օպտիմալացման մեթոդները՝ փորձելով կոտրել տառերի պարզ ծածկագիրը:
8. Python Machine Learning օրինակներով
Այս գիրքը, որն օգնում է ձեզ հասկանալ և ստեղծել մեքենայական ուսուցման, խորը ուսուցման և տվյալների վերլուծության տարբեր մեթոդներ, հավանաբար միակն է, որը կենտրոնանում է միայն Python-ի վրա՝ որպես ծրագրավորման լեզու:
Այն ընդգրկում է մի քանի հզոր գրադարաններ՝ մեքենայական ուսուցման տարբեր ալգորիթմներ իրականացնելու համար, ինչպիսին է Scikit-Learn-ը: The Tensor Flow մոդուլն այնուհետև օգտագործվում է ձեզ խորը ուսուցման մասին սովորեցնելու համար:
Վերջապես, այն ցույց է տալիս տվյալների վերլուծության բազմաթիվ հնարավորություններ, որոնք կարելի է ձեռք բերել մեքենայական և խորը ուսուցման միջոցով:
Այն նաև սովորեցնում է ձեզ բազմաթիվ մեթոդներ, որոնք կարող են օգտագործվել ձեր ստեղծած մոդելի արդյունավետությունը բարձրացնելու համար:
Գրքում ընդգրկված թեմաներ
- Սովորելով Python և Machine Learning. Սկսնակների ուղեցույց
- Ուսումնասիրելով 2 լրատվական խմբերի տվյալների հավաքածուն և Naive Bayes սպամի էլփոստի հայտնաբերումը
- Օգտագործելով SVM-ներ, դասակարգեք լուրերի թեմաները Սեղմեք կանխատեսումը՝ օգտագործելով ծառերի վրա հիմնված ալգորիթմներ
- Սեղմումների փոխարժեքի կանխատեսում` օգտագործելով լոգիստիկ ռեգրեսիա
- Ռեգրեսիայի ալգորիթմների օգտագործումը բաժնետոմսերի գների ամենաբարձր չափանիշները կանխատեսելու համար
9. Python Machine Learning
Python Machine Learning գիրքը բացատրում է մեքենայական ուսուցման հիմունքները, ինչպես նաև դրա նշանակությունը թվային տիրույթում: Դա մեքենայական ուսուցման գիրք է սկսնակների համար:
Բացի այդ, գրքում ներառված են մեքենայական ուսուցման բազմաթիվ ենթաոլորտներ և հավելվածներ: Python-ի ծրագրավորման սկզբունքները և ազատ և բաց կոդով ծրագրավորման լեզվով սկսելը նույնպես ներառված են Python Machine Learning գրքում:
Մեքենայի ուսուցման գիրքն ավարտելուց հետո դուք կկարողանաք արդյունավետ կերպով ստեղծել մի շարք մեքենայական ուսուցման աշխատանքներ՝ օգտագործելով Python կոդավորումը:
Գրքում ընդգրկված թեմաներ
- Արհեստական ինտելեկտի հիմունքները
- որոշման ծառ
- Լոգիստիկ ռեգրեսիա
- Խորը նեյրոնային ցանցեր
- Python ծրագրավորման լեզվի հիմունքները
10: Մեքենայի ուսուցում. հավանականական հեռանկար
Մեքենայի ուսուցում. հավանականական հեռանկարը հումորային մեքենայական ուսուցման գիրք է, որը պարունակում է նոստալգիկ գունավոր գրաֆիկա և գործնական, իրական օրինակներ այնպիսի առարկաներից, ինչպիսիք են կենսաբանությունը, համակարգչային տեսլականը, ռոբոտաշինությունը և տեքստի մշակումը:
Այն լի է պատահական արձակով և էական ալգորիթմների կեղծ կոդով: Մեքենայական ուսուցում. հավանականական հեռանկար, ի տարբերություն մեքենայական ուսուցման այլ հրապարակումների, որոնք ներկայացված են խոհարարական գրքի ոճով և նկարագրում են տարբեր էվրիստիկ մոտեցումներ, կենտրոնանում է սկզբունքային մոդելի վրա հիմնված մոտեցման վրա:
Այն սահմանում է ml մոդելները՝ օգտագործելով գրաֆիկական պատկերները պարզ և հասկանալի ձևով: Հիմնվելով միասնական, հավանական մոտեցման վրա՝ այս դասագիրքը ամբողջական և ինքնամփոփ ներածություն է տալիս մեքենայական ուսուցման ոլորտին:
Բովանդակությունը և՛ լայն է, և՛ խորը, ներառյալ հիմնական նյութը այնպիսի թեմաների վերաբերյալ, ինչպիսիք են հավանականությունը, օպտիմալացումը և գծային հանրահաշիվը, ինչպես նաև ժամանակակից առաջընթացների քննարկում ոլորտում, ինչպիսիք են պայմանական պատահական դաշտերը, L1 կանոնավորացումը և խորը ուսուցումը:
Գիրքը գրված է սովորական, մատչելի լեզվով, որը պարունակում է հիմնական նշանակալից ալգորիթմների կեղծ ծածկագիրը:
Գրքում ընդգրկված թեմաներ
- Հավանականությունը
- Խորը ուսուցում
- L1 կանոնավորումը
- Օպտիմալացում
- Տեքստի վերամշակում
- Computer Vision հավելվածներ
- Ռոբոտաշինության հավելվածներ
11: Վիճակագրական ուսուցման տարրերը
Իր հայեցակարգային շրջանակի և առարկաների լայն տեսականիով մեքենայական ուսուցման այս դասագիրքը հաճախ ճանաչում է ստանում ոլորտում:
Այս գիրքը կարող է օգտագործվել որպես հղում յուրաքանչյուրի համար, ով պետք է ուսումնասիրի այնպիսի թեմաներ, ինչպիսիք են նեյրոնային ցանցերը և թեստավորման տեխնիկան, ինչպես նաև մեքենայական ուսուցման պարզ ներածություն:
Գիրքը ագրեսիվ կերպով մղում է ընթերցողին ամեն քայլափոխի անել իր սեփական փորձերն ու հետազոտությունները, ինչը արժեքավոր է դարձնում այն կարողություններն ու հետաքրքրասիրությունը զարգացնելու համար, որոնք անհրաժեշտ են մեքենայական ուսուցման կարողության կամ աշխատանքի մեջ տեղին առաջընթացի համար:
Այն կարևոր գործիք է վիճակագիրների և բոլոր նրանց համար, ովքեր հետաքրքրված են բիզնեսում կամ գիտության մեջ տվյալների արդյունահանմամբ: Նախքան այս գիրքը սկսելը, համոզվեք, որ առնվազն հասկանում եք գծային հանրահաշիվը:
Գրքում ընդգրկված թեմաներ
- Վերահսկվող ուսուցում (կանխատեսում) մինչև չվերահսկվող ուսուցում
- Նյարդային ցանցեր
- Աջակցող վեկտորային մեքենաներ
- Դասակարգման ծառեր
- Խթանման ալգորիթմներ
12: Կաղապարների ճանաչում և մեքենայական ուսուցում
Կաղապարների ճանաչման և մեքենայական ուսուցման աշխարհները կարելի է մանրակրկիտ ուսումնասիրել այս գրքում: Կաղապարների ճանաչման Բայեսյան մոտեցումը սկզբնապես ներկայացվել է այս հրապարակման մեջ:
Ավելին, գիրքը ուսումնասիրում է դժվարին առարկաներ, որոնք կարիք ունեն բազմաչափ, տվյալների գիտության և հիմնարար գծային հանրահաշվի աշխատանքային ըմբռնման:
Մեքենայի ուսուցման և հավանականության վերաբերյալ տեղեկատու գիրքն առաջարկում է գլուխներ բարդության աստիճանաբար ավելի բարդ մակարդակներով՝ հիմնված տվյալների հավաքածուների միտումների վրա: Պարզ օրինակներ են տրված նախշերի ճանաչման ընդհանուր ներածությունից առաջ:
Գիրքն առաջարկում է մոտավոր եզրակացությունների տեխնիկա, որոնք թույլ են տալիս արագ մոտարկումներ կատարել այն դեպքերում, երբ ճշգրիտ լուծումներն անիրագործելի են։ Չկան այլ գրքեր, որոնք օգտագործում են գրաֆիկական մոդելներ հավանականության բաշխումները նկարագրելու համար, բայց դա այդպես է:
Գրքում ընդգրկված թեմաներ
- Բայեսյան մեթոդներ
- Մոտավոր եզրակացության ալգորիթմներ
- Նոր մոդելներ՝ հիմնված միջուկների վրա
- Հիմնական հավանականությունների տեսության ներածություն
- Նախշերի ճանաչման և մեքենայական ուսուցման ներածություն
13: Մեքենայի ուսուցման հիմունքները կանխատեսող տվյալների վերլուծությունից
Եթե դուք տիրապետում եք մեքենայական ուսուցման հիմունքներին և ցանկանում եք անցնել կանխատեսող տվյալների վերլուծությանը, ապա սա ձեզ համար գիրք է!!! Հսկայական տվյալների հավաքածուներից օրինաչափություններ գտնելով՝ մեքենայական ուսուցումը կարող է օգտագործվել կանխատեսման մոդելներ մշակելու համար:
Այս գիրքը ուսումնասիրում է ML-ի օգտագործման իրականացումը Կանխատեսող տվյալների վերլուծություն խորը, ներառյալ տեսական սկզբունքները և փաստացի օրինակները:
Չնայած այն հանգամանքին, որ «Մեքենայական ուսուցման հիմունքները կանխատեսող տվյալների վերլուծության համար» վերնագիրը բերան է, այս գիրքը կուրվագծի կանխատեսող տվյալների վերլուծության ճանապարհորդությունը տվյալներից մինչև պատկերացում մինչև եզրակացություն:
Այն նաև քննարկում է մեքենայական ուսուցման չորս մոտեցում՝ տեղեկատվության վրա հիմնված ուսուցում, նմանության վրա հիմնված ուսուցում, հավանականության վրա հիմնված ուսուցում և սխալի վրա հիմնված ուսուցում, որոնցից յուրաքանչյուրը ունի ոչ տեխնիկական հայեցակարգային բացատրություն, որին հաջորդում են մաթեմատիկական մոդելները և ալգորիթմները՝ օրինակներով:
Գրքում ընդգրկված թեմաներ
- Տեղեկատվության վրա հիմնված ուսուցում
- Նմանության վրա հիմնված ուսուցում
- Հավանականության վրա հիմնված ուսուցում
- Սխալների վրա հիմնված ուսուցում
14: Կիրառական կանխատեսող մոդելավորում
Կիրառական կանխատեսող մոդելավորումն ուսումնասիրում է կանխատեսող մոդելավորման ողջ գործընթացը՝ սկսած տվյալների նախնական մշակման, տվյալների բաժանման և մոդելի թյունինգի հիմքերի կրիտիկական փուլերից:
Այնուհետև աշխատությունը ներկայացնում է մի շարք սովորական և վերջին ռեգրեսիայի և դասակարգման մոտեցումների հստակ նկարագրություններ՝ կենտրոնանալով իրական աշխարհի տվյալների մարտահրավերների ցուցադրման և լուծման վրա:
Ուղեցույցը ցույց է տալիս մոդելավորման գործընթացի բոլոր ասպեկտները մի քանի գործնական, իրական աշխարհի օրինակներով, և յուրաքանչյուր գլուխ ներառում է համապարփակ R ծածկագիր գործընթացի յուրաքանչյուր փուլի համար:
Այս բազմաֆունկցիոնալ հատորը կարող է օգտագործվել որպես կանխատեսող մոդելների և մոդելավորման ողջ գործընթացի ներածություն, որպես ուղեցույց պրակտիկ մասնագետների համար կամ որպես տեքստ՝ բակալավրիատի կամ մագիստրատուրայի առաջադեմ մակարդակի կանխատեսող մոդելավորման դասընթացների համար:
Գրքում ընդգրկված թեմաներ
- Տեխնիկական ռեգրեսիա
- Դասակարգման տեխնիկա
- Կոմպլեքս ML ալգորիթմներ
15: Մեքենայի ուսուցում. Ալգորիթմների արվեստը և գիտությունը, որոնք իմաստ ունեն տվյալների մեջ
Եթե դուք միջանկյալ կամ մեքենայական ուսուցման մասնագետ եք և ցանկանում եք «վերադառնալ հիմունքներին», այս գիրքը ձեզ համար է: Այն լիովին հարգում է մեքենայական ուսուցման հսկայական բարդությունն ու խորությունը՝ երբեք չկորցնելով դրա միավորող սկզբունքները (բավականին ձեռքբերում է):
Մեքենայական ուսուցում. Ալգորիթմների արվեստը և գիտությունը ներառում է աճող բարդության մի քանի դեպք, ինչպես նաև բազմաթիվ օրինակներ և նկարներ (իրերը հետաքրքիր պահելու համար):
Գիրքն ընդգրկում է նաև տրամաբանական, երկրաչափական և վիճակագրական մոդելների լայն շրջանակ, ինչպես նաև բարդ և նոր թեմաներ, ինչպիսիք են մատրիցային ֆակտորացումը և ROC վերլուծությունը:
Գրքում ընդգրկված թեմաներ
- Պարզեցնում է մեքենայական ուսուցման ալգորիթմները
- Տրամաբանական մոդել
- Երկրաչափական մոդել
- Վիճակագրական մոդել
- ROC վերլուծություն
16: Տվյալների արդյունահանում. մեքենայական ուսուցման գործնական գործիքներ և տեխնիկա
Օգտագործելով տվյալների բազայի համակարգերի, մեքենայական ուսուցման և վիճակագրության ուսումնասիրության մոտեցումները՝ տվյալների արդյունահանման տեխնիկան թույլ է տալիս մեզ գտնել օրինաչափություններ հսկայական քանակությամբ տվյալների մեջ:
Դուք պետք է ստանաք «Տվյալների հանքարդյունաբերություն. Գործնական մեքենայական ուսուցման գործիքներ և տեխնիկա» գիրքը, եթե ձեզ անհրաժեշտ է ուսումնասիրել տվյալների արդյունահանման տեխնիկան մասնավորապես կամ նախատեսում եք սովորել մեքենայական ուսուցում ընդհանրապես:
Մեքենայական ուսուցման լավագույն գիրքը ավելի շատ կենտրոնանում է իր տեխնիկական կողմի վրա: Այն ավելի է խորանում մեքենայական ուսուցման տեխնիկական բարդությունների և տվյալների հավաքման ռազմավարությունների մեջ և տարբեր մուտքեր և ելքեր օգտագործելու համար՝ արդյունքները գնահատելու համար:
Գրքում ընդգրկված թեմաներ
- Գծային մոդելներ
- Կլաստերացում
- Վիճակագրական մոդելավորում
- Կատարման կանխատեսում
- Համեմատելով տվյալների արդյունահանման մեթոդները
- Օրինակների վրա հիմնված ուսուցում
- Գիտելիքների ներկայացում և կլաստերներ
- Ավանդական և ժամանակակից տվյալների մշակման տեխնիկա
17: Python տվյալների վերլուծության համար
Մեքենայական ուսուցման մեջ օգտագործվող տվյալները գնահատելու ունակությունը ամենակարևոր հմտությունն է, որը պետք է ունենա տվյալների գիտնականը: Նախքան ML մոդելի մշակումը, որն ապահովում է ճշգրիտ կանխատեսում, ձեր աշխատանքի մեծ մասը կներառի տվյալների մշակումը, մշակումը, մաքրումը և գնահատումը:
Տվյալների վերլուծություն կատարելու համար դուք պետք է ծանոթ լինեք ծրագրավորման լեզուներին, ինչպիսիք են Pandas, NumPy, Ipython և այլն:
Եթե ցանկանում եք աշխատել տվյալների գիտության կամ մեքենայական ուսուցման ոլորտում, դուք պետք է հնարավորություն ունենաք շահարկել տվյալները:
Այս դեպքում անպայման պետք է կարդալ Python տվյալների վերլուծության գիրքը։
Գրքում ընդգրկված թեմաներ
- էական Python գրադարաններ
- Ընդլայնված պանդաներ
- Տվյալների վերլուծության օրինակներ
- Տվյալների մաքրում և պատրաստում
- Մաթեմատիկական և վիճակագրական մեթոդներ
- Նկարագրական վիճակագրության ամփոփում և հաշվարկում
18: Բնական լեզվի մշակում Python-ով
Մեքենայի ուսուցման համակարգերի հիմքը բնական լեզվի մշակումն է:
Բնական լեզվի մշակում Python-ով գիրքը ձեզ հրահանգում է, թե ինչպես օգտագործել NLTK-ը՝ Python մոդուլների և գործիքների սիրված հավաքածուն անգլերենի և ընդհանրապես NLP-ի համար խորհրդանշական և վիճակագրական բնական լեզվի մշակման համար:
Բնական լեզվի մշակումը Python-ով գիրքը տրամադրում է Python-ի արդյունավետ ռեժիմներ, որոնք ցույց են տալիս NLP-ն հակիրճ, ակնհայտ ձևով:
Ընթերցողներն ունեն լավ ծանոթագրված տվյալների հավաքածուներ՝ չկառուցված տվյալների, տեքստային լեզվական կառուցվածքի և NLP-ի վրա կենտրոնացած այլ տարրերի հետ գործ ունենալու համար:
Գրքում ընդգրկված թեմաներ
- Ինչպե՞ս է գործում մարդու լեզուն:
- Լեզվաբանական տվյալների կառուցվածքներ
- Բնական լեզվի գործիքակազմ (NLTK)
- Վերլուծություն և իմաստային վերլուծություն
- Հանրաճանաչ լեզվաբանական տվյալների բազաներ
- Ինտեգրել տեխնիկան Արհեստական բանականություն և լեզվաբանություն
19: Ծրագրավորում Հավաքական հետախուզություն
Թոբի Սեգարանի «Programming Collective Intelligence» գիրքը, որը համարվում է մեքենայական ուսուցումը սկսելու լավագույն գրքերից մեկը, գրվել է 2007 թվականին, տարիներ առաջ տվյալների գիտության և մեքենայական ուսուցման իրենց ներկայիս դիրքը որպես առաջատար մասնագիտական ուղիներ:
Գիրքը օգտագործում է Python-ը որպես իր փորձը իր լսարանին տարածելու մեթոդ: Ծրագրավորման կոլեկտիվ ինտելեկտը ավելի շատ ձեռնարկ է ml-ի իրականացման համար, քան մեքենայական ուսուցման ներածություն:
Գիրքը տեղեկատվություն է տրամադրում հավելվածներից տվյալների հավաքագրման արդյունավետ ML ալգորիթմների մշակման, կայքերից տվյալների ստացման և հավաքագրված տվյալների էքստրապոլյացիայի համար:
Յուրաքանչյուր գլուխ ներառում է քննարկված ալգորիթմների ընդլայնման և դրանց օգտակարությունը բարձրացնելու գործողություններ:
Գրքում ընդգրկված թեմաներ
- Բայեսյան ֆիլտրում
- Աջակցող վեկտորային մեքենաներ
- Որոնման ալգորիթմներ
- Կանխատեսումներ անելու ուղիներ
- Համատեղ զտման տեխնիկա
- Ոչ բացասական մատրիցային ֆակտորիզացիա
- Զարգացող հետախուզություն խնդիրների լուծման համար
- Խմբերի կամ օրինաչափությունների հայտնաբերման մեթոդներ
20: Deep Learning (Adaptative Computation and Machine Learning Series)
Ինչպես բոլորս տեղյակ ենք, խորը ուսուցումը մեքենայական ուսուցման բարելավված տեսակ է, որը համակարգիչներին հնարավորություն է տալիս սովորել անցյալի կատարողականությունից և մեծ քանակությամբ տվյալներից:
Մեքենայի ուսուցման տեխնիկան օգտագործելիս դուք պետք է նաև տիրապետեք խորը ուսուցման սկզբունքներին: Այս գիրքը, որը համարվում է խորը ուսուցման Աստվածաշունչ, շատ օգտակար կլինի այս պարագայում:
Երեք խորը ուսուցման փորձագետներ ընդգրկում են խիստ բարդ թեմաներ, որոնք լցված են մաթեմատիկայով և խորը գեներատիվ մոդելներով այս գրքում:
Տրամադրելով մաթեմատիկական և հայեցակարգային հիմք՝ աշխատանքը քննարկում է համապատասխան գաղափարներ գծային հանրահաշվի, հավանականությունների տեսության, տեղեկատվության տեսության, թվային հաշվարկների և մեքենայական ուսուցման վերաբերյալ:
Այն ուսումնասիրում է այնպիսի ծրագրեր, ինչպիսիք են բնական լեզվի մշակումը, խոսքի ճանաչումը, համակարգչային տեսլականը, առցանց առաջարկությունների համակարգերը, բիոինֆորմատիկան և վիդեոխաղերը և նկարագրում են ոլորտի մասնագետների կողմից օգտագործվող խորը ուսուցման մեթոդները, ինչպիսիք են խորը հետադարձ ցանցերը, կանոնավորացման և օպտիմալացման ալգորիթմները, կոնվոլյուցիոն ցանցերը և գործնական մեթոդաբանությունը: .
Գրքում ընդգրկված թեմաներ
- Թվային հաշվարկ
- Deep Learning Research
- Համակարգչային տեսողության տեխնիկա
- Deep Feedforward ցանցեր
- Օպտիմալացում խորը մոդելների ուսուցման համար
- Գործնական մեթոդիկա
- Deep Learning Research
Եզրափակում
Այդ ցանկում ամփոփված են մեքենայական ուսուցման 20 լավագույն գրքերը, որոնք դուք կարող եք օգտագործել՝ մեքենայական ուսուցումը ձեր նախընտրած ուղղությամբ առաջընթացի համար:
Դուք կկարողանաք ամուր հիմքեր ստեղծել մեքենայական ուսուցման փորձագիտության մեջ և տեղեկատու գրադարան, որը կարող եք հաճախ օգտագործել տվյալ տարածքում աշխատելիս, եթե կարդաք այս դասագրքերի բազմազանությունը:
Դուք ոգեշնչված կլինեք շարունակել սովորել, դառնալ ավելի լավը և ազդեցություն ունենալ, նույնիսկ եթե դուք պարզապես կարդաք մեկ գիրք:
Երբ դուք պատրաստ և իրավասու եք մշակելու ձեր սեփական մեքենայական ուսուցման ալգորիթմները, հիշեք, որ տվյալները կենսականորեն կարևոր են ձեր նախագծի հաջողության համար:
Թողնել գրառում