სარჩევი[დამალვა][ჩვენება]
სხვათა შორის, ჩვენ ყველამ ვიცით, რამდენად სწრაფად განვითარდა მანქანათმცოდნეობის ტექნოლოგია ბოლო რამდენიმე წლის განმავლობაში. მანქანათმცოდნეობა არის დისციპლინა, რომელმაც მიიპყრო რამდენიმე კორპორაციის, აკადემიკოსისა და სექტორის ინტერესი.
ამის გამო, მე განვიხილავ მანქანათმცოდნეობის უდიდეს წიგნებს, რომლებიც ინჟინერმა ან დამწყებმა დღეს უნდა წაიკითხოს. ყველა დამეთანხმებით, რომ წიგნების კითხვა არ არის იგივე, რაც ინტელექტის გამოყენება.
წიგნების კითხვა ჩვენს გონებას ბევრი ახალი რამის აღმოჩენაში ეხმარება. კითხვა ხომ სწავლაა. თვითმსწავლელი ტეგი ძალიან სახალისოა. ამ სტატიაში იქნება ხაზგასმული ამ სფეროში არსებული უდიდესი სახელმძღვანელოები.
შემდეგი სახელმძღვანელოები გვთავაზობენ ნამდვილ შესავალს ხელოვნური ინტელექტის უფრო ფართო სფეროში და ხშირად გამოიყენება საუნივერსიტეტო კურსებში და რეკომენდირებულია როგორც მეცნიერებისა და ინჟინრების მიერ.
მაშინაც კი, თუ თქვენ გაქვთ ტონა მანქანა სწავლის გამოცდილებით, ამ სახელმძღვანელოებიდან ერთ-ერთის არჩევა შეიძლება შესანიშნავი გზა იყოს. ყოველივე ამის შემდეგ, სწავლა უწყვეტი პროცესია.
1. მანქანათმცოდნეობა აბსოლუტური დამწყებთათვის
გსურთ მანქანური სწავლის შესწავლა, მაგრამ არ იცით როგორ გააკეთოთ ეს. არსებობს რამდენიმე მნიშვნელოვანი თეორიული და სტატისტიკური კონცეფცია, რომელიც უნდა გესმოდეთ, სანამ დაიწყებთ ეპიკურ მოგზაურობას მანქანათმცოდნეობაში. და ეს წიგნი ავსებს ამ საჭიროებას!
ის გთავაზობთ სრულ ახალბედებს მაღალი დონის, მოქმედი შესავალი მანქანათმცოდნეობაში. წიგნი მანქანათმცოდნეობა აბსოლუტური დამწყებთათვის არის ერთ-ერთი საუკეთესო არჩევანი მათთვის, ვინც ეძებს მანქანათმცოდნეობის ყველაზე გამარტივებულ ახსნას და მასთან დაკავშირებულ იდეებს.
წიგნის მრავალრიცხოვან ml ალგორითმს ახლავს ლაკონური ახსნა და გრაფიკული მაგალითები, რათა დაეხმაროს მკითხველს იმის გაგებაში, რაც განიხილება.
წიგნში განხილული თემები
- საფუძვლები ნეირონული ქსელები
- Რეგრესიული ანალიზი
- მხატვრული ინჟინერია
- კლასტერული
- ჯვარედინი დადასტურება
- მონაცემთა გაწმენდის ტექნიკა
- გადაწყვეტილების ხეები
- ანსამბლის მოდელირება
2. მანქანური სწავლება დუმებისთვის
მანქანური სწავლება შეიძლება დამაბნეველი იდეა იყოს ჩვეულებრივი ადამიანებისთვის. თუმცა, ეს ფასდაუდებელია მათთვის, ვინც მცოდნეა.
ML-ის გარეშე, ძნელია ისეთი საკითხების მართვა, როგორიცაა ონლაინ ძიების შედეგები, რეალურ დროში რეკლამები ვებ გვერდებზე, ავტომატიზაცია ან თუნდაც სპამის ფილტრაცია (დიახ!).
შედეგად, ეს წიგნი გთავაზობთ მარტივ შესავალს, რომელიც დაგეხმარებათ გაიგოთ მეტი მანქანური სწავლის იდუმალი სფეროს შესახებ. Machine Learning For Dummies-ის დახმარებით, თქვენ ისწავლით როგორ "საუბარს" ენებზე, როგორიცაა Python და R, რაც საშუალებას მოგცემთ ავარჯიშოთ კომპიუტერები, რათა გააკეთონ ნიმუშის ამოცნობა და მონაცემთა ანალიზი.
გარდა ამისა, თქვენ შეისწავლით როგორ გამოიყენოთ Python's Anaconda და R Studio R-ში განვითარებისთვის.
წიგნში განხილული თემები
- მონაცემთა მომზადება
- მიდგომები მანქანათმცოდნეობისთვის
- მანქანათმცოდნეობის ციკლი
- ზედამხედველობითი და უკონტროლო სწავლა
- მანქანური სწავლების სისტემების სწავლება
- მანქანური სწავლების მეთოდების მიბმა შედეგებთან
3. ას გვერდიანი მანქანათმცოდნეობის წიგნი
შესაძლებელია თუ არა მანქანური სწავლის ყველა ასპექტის დაფარვა 100 გვერდზე ნაკლები? ანდრეი ბურკოვის ასგვერდიანი მანქანათმცოდნეობის წიგნი არის იგივე მცდელობა.
მანქანათმცოდნეობის წიგნი კარგად არის დაწერილი და მხარს უჭერს ცნობილი აზროვნების ლიდერებს, მათ შორის Sujeet Varakhedi, eBay-ის ინჟინერიის ხელმძღვანელი და პიტერ ნორვიგი, Google-ის კვლევის დირექტორი.
ეს არის საუკეთესო წიგნი მანქანური სწავლის დამწყებთათვის. წიგნის საფუძვლიანად წაკითხვის შემდეგ, თქვენ შეძლებთ შექმნათ და გაიგოთ დახვეწილი AI სისტემები, წარმატებას მიაღწიოთ მანქანათმცოდნეობის ინტერვიუში და კიდევ შექმნათ თქვენი საკუთარი ML-ზე დაფუძნებული კომპანია.
თუმცა, წიგნი არ არის განკუთვნილი მანქანათმცოდნეობის სრული დამწყებთათვის. გადახედეთ სადმე, თუ რაიმე უფრო ფუნდამენტურს ეძებთ.
წიგნში განხილული თემები
- ა. ანატომია სწავლის ალგორითმი
- ზედამხედველობითი სწავლა და უკონტროლო სწავლა
- გამაგრების სწავლა
- მანქანათმცოდნეობის ფუნდამენტური ალგორითმები
- ნერვული ქსელების მიმოხილვა და ღრმა სწავლება
4. მანქანათმცოდნეობის გაგება
მანქანური სწავლების სისტემატური შესავალი მოცემულია წიგნში მანქანური სწავლების გაგება. წიგნი ღრმად იკვლევს ფუნდამენტურ იდეებს, გამოთვლით პარადიგმებს და მანქანათმცოდნეობის მათემატიკურ წარმოებულებს.
მანქანათმცოდნეობის საგნების ფართო სპექტრი წარმოდგენილია მარტივი სახით მანქანური სწავლით. წიგნში აღწერილია მანქანათმცოდნეობის თეორიული საფუძვლები მათემატიკურ წარმოებულებთან ერთად, რომლებიც ამ საფუძვლებს სასარგებლო ალგორითმებად აქცევს.
წიგნში წარმოდგენილია საფუძვლები გადამწყვეტი საგნების ფართო სპექტრის გაშუქებამდე, რომლებიც ადრე არ იყო დაფარული წინა სახელმძღვანელოებში.
მასში შედის ამოზნექილისა და სტაბილურობის ცნებების და სწავლის გამოთვლითი სირთულის განხილვა, ასევე მნიშვნელოვანი ალგორითმული პარადიგმები, როგორიცაა სტოქასტური გრადიენტური დაღმართი, ნერვული ქსელები და სტრუქტურირებული გამომავალი სწავლა, ასევე ახლად გაჩენილი თეორიული იდეები, როგორიცაა PAC-Bayes მიდგომა და შეკუმშვაზე დაფუძნებული საზღვრები. განკუთვნილია დამწყები კურსდამთავრებულებისთვის ან მოწინავე ბაკალავრიატის სტუდენტებისთვის.
წიგნში განხილული თემები
- მანქანათმცოდნეობის გამოთვლითი სირთულე
- ML ალგორითმები
- Ნეირონული ქსელები
- PAC-Bayes მიდგომა
- გრადიენტური გრადიენტური წარმოშობა
- სტრუქტურირებული გამომავალი სწავლა
5. შესავალი მანქანათმცოდნეობაში Python-ით
ხართ თუ არა პითონის საზრიანი მონაცემთა მეცნიერი, რომელსაც სურს შეისწავლოს მანქანური სწავლება? საუკეთესო წიგნი, რომლითაც შეგიძლიათ დაიწყოთ თქვენი მანქანათმცოდნეობის თავგადასავალი, არის შესავალი მანქანათმცოდნეობაში Python-ით: გზამკვლევი მონაცემთა მეცნიერებისთვის.
წიგნის Introduction to Machine Learning with Python: A Guide for Data Scientists-ის დახმარებით თქვენ აღმოაჩენთ მრავალფეროვან სასარგებლო ტექნიკას პერსონალური მანქანური სწავლების პროგრამების შესაქმნელად.
თქვენ დაფარავთ ყველა მნიშვნელოვან ნაბიჯს, რომელიც ჩართულია Python-ისა და Scikit-Learn პაკეტის გამოყენებაში სანდო მანქანათმცოდნეობის აპლიკაციების შესაქმნელად.
matplotlib და NumPy ბიბლიოთეკების მყარად გააზრება სწავლას ბევრად გაადვილებს.
წიგნში განხილული თემები
- პარამეტრის შესწორებისა და მოდელის შეფასების თანამედროვე ტექნიკა
- აპლიკაციები და მანქანური სწავლების ძირითადი იდეები
- ავტომატური სწავლის ტექნიკა
- ტექსტური მონაცემების მანიპულირების ტექნიკა
- მოდელის ჯაჭვისა და სამუშაო ნაკადის კაფსულაციის მილსადენები
- მონაცემთა წარმოდგენა დამუშავების შემდეგ
6. პრაქტიკული მანქანური სწავლება Sci-Kit Learn, Keras & Tensorflow-ით
მონაცემთა მეცნიერებისა და მანქანათმცოდნეობის შესახებ ყველაზე საფუძვლიან პუბლიკაციებს შორის, ის სავსეა ცოდნით. მიზანშეწონილია, რომ ექსპერტებმა და ახალბედებმა უფრო მეტი შეისწავლონ ამ თემაზე.
მიუხედავად იმისა, რომ ეს წიგნი შეიცავს მხოლოდ მცირე თეორიას, მას მხარს უჭერს ძლიერი მაგალითები, რაც მას ადგილს სიაში ანიჭებს.
ეს წიგნი მოიცავს სხვადასხვა თემებს, მათ შორის scikit-learn მანქანური სწავლების პროექტებისთვის და TensorFlow ნერვული ქსელების შესაქმნელად და ტრენინგისთვის.
ამ წიგნის წაკითხვის შემდეგ, ჩვენ ვფიქრობთ, რომ თქვენ უკეთესად იქნებით მომზადებული, რომ უფრო მეტი ჩასწვდეთ ღრმა სწავლება და გაუმკლავდეთ პრაქტიკულ პრობლემებს.
წიგნში განხილული თემები
- შეისწავლეთ მანქანათმცოდნეობის ლანდშაფტი, განსაკუთრებით ნერვული ქსელები
- თვალყური ადევნეთ მანქანათმცოდნეობის პროექტის ნიმუშს თავიდან დასრულებამდე Scikit-Learn-ის გამოყენებით.
- შეისწავლეთ ტრენინგის რამდენიმე მოდელი, როგორიცაა ანსამბლის ტექნიკა, შემთხვევითი ტყეები, გადაწყვეტილების ხეები და დამხმარე ვექტორული მანქანები.
- შექმენით და მოამზადეთ ნერვული ქსელები TensorFlow ბიბლიოთეკის გამოყენებით.
- განიხილეთ კონვოლუციური ქსელები, განმეორებადი ბადეები და ღრმა გაძლიერების სწავლა კვლევისას ნერვული ბადე დიზაინით.
- ისწავლეთ ღრმა ნერვული ქსელების მასშტაბირება და მომზადება.
7. მანქანათმცოდნეობა ჰაკერებისთვის
გამოცდილი პროგრამისტისთვის, რომელიც დაინტერესებულია მონაცემთა ანალიზით, დაწერილია წიგნი „მანქანური სწავლება ჰაკერებისთვის“. ჰაკერები ამ კონტექსტში გამოცდილი მათემატიკოსები არიან.
ვინმესთვის, ვისაც კარგად ესმის R, ეს წიგნი შესანიშნავი არჩევანია, რადგან მისი უმეტესობა ორიენტირებულია მონაცემთა ანალიზზე R-ში. გარდა ამისა, წიგნში აღწერილია, თუ როგორ უნდა მოხდეს მონაცემების მანიპულირება გაფართოებული R-ის გამოყენებით.
შესაბამისი შემთხვევის ისტორიების ჩართვა ხაზს უსვამს მანქანათმცოდნეობის ალგორითმების გამოყენების მნიშვნელობას.
წიგნში მოცემულია მრავალი რეალური მაგალითი, რათა სწავლის მანქანათმცოდნეობა უფრო მარტივი და სწრაფი გახდეს, ვიდრე მის მათემატიკური თეორიის სიღრმეში შესვლა.
წიგნში განხილული თემები
- შექმენით გულუბრყვილო ბაიზის კლასიფიკატორი, რომელიც აანალიზებს უბრალოდ ელ.ფოსტის შინაარსს, რათა დაადგინოს არის თუ არა ის სპამი.
- 1,000 საუკეთესო ვებსაიტისთვის გვერდის ნახვების რაოდენობის პროგნოზირება ხაზოვანი რეგრესიის გამოყენებით
- გამოიკვლიეთ ოპტიმიზაციის მეთოდები პირდაპირი ასოების შიფრის გატეხვის მცდელობით.
8. პითონის მანქანათმცოდნეობა მაგალითებით
ეს წიგნი, რომელიც გეხმარებათ გაიგოთ და შექმნათ მანქანური სწავლების, ღრმა სწავლისა და მონაცემთა ანალიზის სხვადასხვა მეთოდები, სავარაუდოდ, ერთადერთია, რომელიც ფოკუსირებულია მხოლოდ პითონზე, როგორც პროგრამირების ენაზე.
ის მოიცავს რამდენიმე ძლიერ ბიბლიოთეკას მანქანური სწავლების სხვადასხვა ალგორითმების განსახორციელებლად, როგორიცაა Scikit-Learn. შემდეგ Tensor Flow მოდული გამოიყენება ღრმა სწავლის გასწავლისთვის.
დაბოლოს, ის აჩვენებს მონაცემთა ანალიზის მრავალ შესაძლებლობებს, რომლებიც შეიძლება მიღწეული იქნას მანქანით და ღრმა სწავლის გამოყენებით.
ის ასევე გასწავლით უამრავ ტექნიკას, რომლებიც შეიძლება გამოყენებულ იქნას თქვენს მიერ შექმნილი მოდელის ეფექტურობის გასაზრდელად.
წიგნში განხილული თემები
- პითონის და მანქანათმცოდნეობის სწავლა: დამწყებთათვის გზამკვლევი
- 2 ახალი ამბების ჯგუფის მონაცემთა ნაკრების და Naive Bayes-ის სპამის ელ.ფოსტის გამოვლენის შესწავლა
- SVM-ების გამოყენებით, განათავსეთ ახალი ამბების თემები დაწკაპუნების პროგნოზის გამოყენებით ხეებზე დაფუძნებული ალგორითმების გამოყენებით
- დაწკაპუნების სიჩქარის პროგნოზირება ლოგისტიკური რეგრესიის გამოყენებით
- რეგრესიის ალგორითმების გამოყენება აქციების ფასების უმაღლესი სტანდარტების პროგნოზირებისთვის
9. პითონის მანქანათმცოდნეობა
Python Machine Learning წიგნი განმარტავს მანქანათმცოდნეობის საფუძვლებს და ასევე მის მნიშვნელობას ციფრულ დომენში. ეს არის მანქანათმცოდნეობის წიგნი დამწყებთათვის.
გარდა ამისა, წიგნში არის მანქანური სწავლების მრავალი ქვეველი და პროგრამა. Python-ის პროგრამირების პრინციპები და როგორ დავიწყოთ უფასო და ღია კოდის პროგრამირების ენით, ასევე აღწერილია Python Machine Learning წიგნში.
მანქანათმცოდნეობის წიგნის დასრულების შემდეგ, თქვენ შეძლებთ ეფექტურად ჩამოაყალიბოთ მანქანათმცოდნეობის სამუშაოების რაოდენობა პითონის კოდირების გამოყენებით.
წიგნში განხილული თემები
- ხელოვნური ინტელექტის საფუძვლები
- გადაწყვეტილების ხე
- ლოგისტიკური რეგრესია
- სიღრმისეული ნერვული ქსელები
- პითონის პროგრამირების ენის საფუძვლები
10. მანქანათმცოდნეობა: ალბათური პერსპექტივა
Machine Learning: A Probabilistic Perspective არის იუმორისტული მანქანათმცოდნეობის წიგნი, რომელიც შეიცავს ნოსტალგიურ ფერად გრაფიკას და პრაქტიკულ, რეალურ სამყაროს მაგალითებს ისეთი დისციპლინებიდან, როგორიცაა ბიოლოგია, კომპიუტერული ხედვა, რობოტიკა და ტექსტის დამუშავება.
ის სავსეა ჩვეულებრივი პროზით და ფსევდოკოდით არსებითი ალგორითმებისთვის. მანქანათმცოდნეობა: ალბათური პერსპექტივა, სხვა მანქანათმცოდნეობის პუბლიკაციებისგან განსხვავებით, რომლებიც წარმოდგენილია კულინარიული წიგნის სტილში და აღწერს სხვადასხვა ევრისტიკულ მიდგომებს, ფოკუსირებულია პრინციპულ მოდელზე დაფუძნებულ მიდგომაზე.
იგი განსაზღვრავს ml მოდელებს გრაფიკული გამოსახულებების გამოყენებით მკაფიოდ და გასაგებად. ერთიან, ალბათურ მიდგომაზე დაფუძნებული, ეს სახელმძღვანელო უზრუნველყოფს სრულ და თვითკმარი შესავალს მანქანათმცოდნეობის სფეროში.
შინაარსი არის როგორც ფართო, ასევე ღრმა, მოიცავს ფუნდამენტურ ფონურ მასალას ისეთ თემებზე, როგორიცაა ალბათობა, ოპტიმიზაცია და წრფივი ალგებრა, ისევე როგორც თანამედროვე მიღწევების განხილვა ისეთ სფეროში, როგორიცაა პირობითი შემთხვევითი ველები, L1 რეგულაცია და ღრმა სწავლება.
წიგნი დაწერილია ჩვეულებრივი, ხელმისაწვდომი ენით, რომელიც შეიცავს ფსევდო კოდს ძირითადი მნიშვნელოვანი ალგორითმებისთვის.
წიგნში განხილული თემები
- ალბათობის
- ღრმა სწავლება
- L1 რეგულირება
- ოპტიმიზაცია
- ტექსტის დამუშავება
- კომპიუტერული ხედვის აპლიკაციები
- რობოტიკის აპლიკაციები
11. სტატისტიკური სწავლის ელემენტები
მისი კონცეპტუალური ჩარჩოსა და საგნების ფართო სპექტრისთვის, მანქანური სწავლების ეს სახელმძღვანელო ხშირად აღიარებულია ამ სფეროში.
ეს წიგნი შეიძლება გამოყენებულ იქნას, როგორც მითითება ყველასთვის, ვინც უნდა გაიაროს ისეთი თემები, როგორიცაა ნერვული ქსელები და ტესტირების ტექნიკა, ასევე მარტივი შესავალი მანქანური სწავლისთვის.
წიგნი აგრესიულად უბიძგებს მკითხველს, გააკეთოს საკუთარი ექსპერიმენტები და გამოკვლევები ყოველ ჯერზე, რაც მას ღირებულს ხდის უნარებისა და ცნობისმოყვარეობის გასავითარებლად, რაც საჭიროა მანქანური სწავლების შესაძლებლობებში ან სამუშაოში შესაბამისი წინსვლისთვის.
ეს არის მნიშვნელოვანი ინსტრუმენტი სტატისტიკოსებისთვის და ყველასთვის, ვინც დაინტერესებულია მონაცემთა მოპოვებით ბიზნესში ან მეცნიერებაში. დარწმუნდით, რომ გესმით ხაზოვანი ალგებრა ამ წიგნის დაწყებამდე.
წიგნში განხილული თემები
- ზედამხედველობითი სწავლება (პროგნოზირება) უკონტროლო სწავლებამდე
- Ნეირონული ქსელები
- ვექტორული მანქანების მხარდაჭერა
- კლასიფიკაციის ხეები
- გამაძლიერებელი ალგორითმები
12. შაბლონის ამოცნობა და მანქანათმცოდნეობა
შაბლონების ამოცნობისა და მანქანათმცოდნეობის სამყაროები შეიძლება საფუძვლიანად იყოს შესწავლილი ამ წიგნში. ბაიესის მიდგომა ნიმუშის ამოცნობისადმი თავდაპირველად წარმოდგენილი იყო ამ პუბლიკაციაში.
გარდა ამისა, წიგნი განიხილავს რთულ საგნებს, რომლებსაც სჭირდებათ მულტივარიანტების, მონაცემთა მეცნიერების და ფუნდამენტური ხაზოვანი ალგებრის სამუშაო გაგება.
მანქანური სწავლისა და ალბათობის შესახებ, საცნობარო წიგნი გთავაზობთ თავებს სირთულის თანდათან უფრო რთული დონეებით, მონაცემთა ნაკრების ტენდენციებზე დაყრდნობით. მარტივი მაგალითები მოცემულია ნიმუშის ამოცნობის ზოგად შესავალამდე.
წიგნი გვთავაზობს მიახლოებითი დასკვნის ტექნიკას, რომელიც იძლევა სწრაფ მიახლოებას იმ შემთხვევებში, როდესაც ზუსტი გადაწყვეტილებები არაპრაქტიკულია. არ არსებობს სხვა წიგნები, რომლებიც გამოიყენებენ გრაფიკულ მოდელებს ალბათობის განაწილების აღსაწერად, მაგრამ ეს ასეა.
წიგნში განხილული თემები
- ბაიესის მეთოდები
- სავარაუდო დასკვნის ალგორითმები
- ახალი მოდელები ბირთვებზე დაფუძნებული
- საბაზისო ალბათობის თეორიის შესავალი
- შესავალი ნიმუშის ამოცნობასა და მანქანათმცოდნეობაში
13. მანქანური სწავლის საფუძვლები პროგნოზირებადი მონაცემთა ანალიტიკიდან
თუ თქვენ დაეუფლეთ მანქანური სწავლის საფუძვლებს და გსურთ გადახვიდეთ პროგნოზირებად მონაცემთა ანალიტიკაზე, ეს წიგნი თქვენთვისაა!!! მასიური მონაცემთა ნაკრებიდან შაბლონების მოძიებით, მანქანათმცოდნეობა შეიძლება გამოყენებულ იქნას პროგნოზირების მოდელების შესაქმნელად.
ეს წიგნი განიხილავს ML-ის გამოყენების განხორციელებას პროგნოზირებადი მონაცემთა ანალიტიკა სიღრმისეული, როგორც თეორიული პრინციპების, ასევე აქტუალური მაგალითების ჩათვლით.
იმისდა მიუხედავად, რომ სათაური „მანქანური სწავლის საფუძვლები პროგნოზირებადი მონაცემების ანალიტიკისთვის“ არის უხეში, ეს წიგნი ასახავს პროგნოზირებადი მონაცემთა ანალიტიკის მოგზაურობას მონაცემებიდან ცნობიერებამდე დასკვნამდე.
იგი ასევე განიხილავს მანქანური სწავლების ოთხ მიდგომას: ინფორმაციაზე დაფუძნებული სწავლება, მსგავსებაზე დაფუძნებული სწავლა, ალბათობაზე დაფუძნებული სწავლა და შეცდომებზე დაფუძნებული სწავლება, თითოეულს აქვს არატექნიკური კონცეპტუალური ახსნა, რასაც მოჰყვება მათემატიკური მოდელები და ალგორითმები მაგალითებით.
წიგნში გაშუქებული თემები
- ინფორმაციაზე დაფუძნებული სწავლება
- მსგავსებაზე დაფუძნებული სწავლება
- ალბათობაზე დაფუძნებული სწავლა
- შეცდომებზე დაფუძნებული სწავლება
14. გამოყენებითი პროგნოზირებადი მოდელირება
Applied Predictive Modeling განიხილავს პროგნოზირებადი მოდელირების მთელ პროცესს, დაწყებული მონაცემთა წინასწარი დამუშავების კრიტიკული ფაზებით, მონაცემთა გაყოფით და მოდელის დარეგულირების საფუძვლებით.
შემდეგ ნაშრომში წარმოდგენილია სხვადასხვა სახის ჩვეულებრივი და ბოლოდროინდელი რეგრესიისა და კლასიფიკაციის მიდგომის მკაფიო აღწერა, აქცენტი რეალურ სამყაროში მონაცემთა გამოწვევების ჩვენებაზე და გადაჭრაზე.
სახელმძღვანელო აჩვენებს მოდელირების პროცესის ყველა ასპექტს რამდენიმე პრაქტიკული, რეალური მაგალითებით და თითოეული თავი მოიცავს ყოვლისმომცველ R კოდს პროცესის თითოეული ეტაპისთვის.
ეს მრავალფუნქციური ტომი შეიძლება გამოყენებულ იქნას, როგორც შესავალი პროგნოზირებადი მოდელებისა და მთელი მოდელირების პროცესისთვის, როგორც საცნობარო გზამკვლევი პრაქტიკოსებისთვის, ან როგორც ტექსტი ბაკალავრიატის ან სამაგისტრო დონის წინასწარმეტყველური მოდელირების კურსებისთვის.
წიგნში განხილული თემები
- რეგრესიის ტექნიკა
- კლასიფიკაციის ტექნიკა
- რთული ML ალგორითმები
15. მანქანათმცოდნეობა: ალგორითმების ხელოვნება და მეცნიერება, რომლებიც აცნობიერებენ მონაცემებს
თუ თქვენ ხართ შუალედური ან ექსპერტი მანქანათმცოდნეობაში და გსურთ „უბრუნდეთ საფუძვლებს“, ეს წიგნი თქვენთვისაა! ის სრულად აფასებს მანქანათმცოდნეობის უზარმაზარ სირთულეს და სიღრმეს, მაგრამ არასოდეს კარგავს მხედველობაში მის გამაერთიანებელ პრინციპებს (საკმაოდ მიღწევაა!).
მანქანათმცოდნეობა: ალგორითმების ხელოვნება და მეცნიერება მოიცავს მზარდი სირთულის რამდენიმე შემთხვევის შესწავლას, ასევე უამრავ მაგალითს და სურათს (რათა საინტერესო იყოს!).
წიგნი ასევე მოიცავს ლოგიკური, გეომეტრიული და სტატისტიკური მოდელების ფართო სპექტრს, ასევე რთულ და ახალ საგნებს, როგორიცაა მატრიცის ფაქტორიზაცია და ROC ანალიზი.
წიგნში განხილული თემები
- ამარტივებს მანქანათმცოდნეობის ალგორითმებს
- ლოგიკური მოდელი
- გეომეტრიული მოდელი
- სტატისტიკური მოდელი
- ROC ანალიზი
16. მონაცემთა მოპოვება: პრაქტიკული მანქანათმცოდნეობის ინსტრუმენტები და ტექნიკა
მონაცემთა ბაზის სისტემების, მანქანური სწავლისა და სტატისტიკის შესწავლის მიდგომების გამოყენებით, მონაცემთა მოპოვების ტექნიკა საშუალებას გვაძლევს ვიპოვოთ შაბლონები მონაცემთა დიდი რაოდენობით.
თქვენ უნდა მიიღოთ წიგნი Data Mining: Practical Machine Learning Tools and Techniques თუ გჭირდებათ მონაცემთა მოპოვების ტექნიკის კონკრეტულად შესწავლა ან ზოგადად გეგმავთ მანქანური სწავლის სწავლას.
მანქანათმცოდნეობის საუკეთესო წიგნი უფრო მეტად კონცენტრირებულია მის ტექნიკურ მხარეზე. ის უფრო მეტად იკვლევს მანქანათმცოდნეობის ტექნიკურ სირთულეებს და სტრატეგიებს მონაცემთა შეგროვებისა და სხვადასხვა შეყვანისა და გამომავალი შედეგების შესაფასებლად.
წიგნში განხილული თემები
- ხაზოვანი მოდელები
- კლასტერული
- სტატისტიკური მოდელირება
- შესრულების პროგნოზირება
- მონაცემთა მოპოვების მეთოდების შედარება
- ინსტანციებზე დაფუძნებული სწავლება
- ცოდნის წარმოდგენა და კლასტერები
- მონაცემთა მოპოვების ტრადიციული და თანამედროვე ტექნიკა
17. პითონი მონაცემთა ანალიზისთვის
მანქანურ სწავლაში გამოყენებული მონაცემების შეფასების უნარი არის ყველაზე მნიშვნელოვანი უნარი, რომელსაც მონაცემთა მეცნიერი უნდა ფლობდეს. ML მოდელის შემუშავებამდე, რომელიც აწარმოებს ზუსტ პროგნოზს, თქვენი სამუშაოს უმეტესი ნაწილი მოიცავს მონაცემთა დამუშავებას, დამუშავებას, გაწმენდას და შეფასებას.
მონაცემთა ანალიზის შესასრულებლად თქვენ უნდა იცოდეთ პროგრამირების ენები, როგორიცაა Pandas, NumPy, Ipython და სხვა.
თუ გსურთ იმუშაოთ მონაცემთა მეცნიერებაში ან მანქანათმცოდნეობაში, თქვენ უნდა გქონდეთ მონაცემების მანიპულირების უნარი.
ამ შემთხვევაში აუცილებლად უნდა წაიკითხოთ წიგნი Python for Data Analysis.
წიგნში განხილული თემები
- Essential პითონის ბიბლიოთეკები
- მოწინავე პანდები
- მონაცემთა ანალიზის მაგალითები
- მონაცემთა გაწმენდა და მომზადება
- მათემატიკური და სტატისტიკური მეთოდები
- აღწერითი სტატისტიკის შეჯამება და გამოთვლა
18. ბუნებრივი ენის დამუშავება პითონით
მანქანათმცოდნეობის სისტემების საფუძველია ბუნებრივი ენის დამუშავება.
წიგნი ბუნებრივი ენის დამუშავება პითონთან ერთად გასწავლით, თუ როგორ გამოიყენოთ NLTK, პითონის მოდულების და ხელსაწყოების პოპულარული კოლექცია, სიმბოლური და სტატისტიკური ბუნებრივი ენის დამუშავებისთვის ინგლისურისთვის და ზოგადად NLP-ისთვის.
წიგნი Python-ით ბუნებრივი ენის დამუშავება უზრუნველყოფს Python-ის ეფექტურ რუტინებს, რომლებიც აჩვენებენ NLP-ს მოკლედ, აშკარად.
მკითხველს აქვს წვდომა კარგად ანოტირებულ მონაცემთა ნაკრებებზე არასტრუქტურირებულ მონაცემებთან, ტექსტურ-ენობრივ სტრუქტურასთან და NLP-ზე ორიენტირებულ სხვა ელემენტებთან.
წიგნში განხილული თემები
- როგორ მუშაობს ადამიანის ენა?
- ლინგვისტური მონაცემთა სტრუქტურები
- ბუნებრივი ენის ინსტრუმენტარიუმი (NLTK)
- პარსინგი და სემანტიკური ანალიზი
- პოპულარული ლინგვისტური მონაცემთა ბაზები
- ტექნიკის ინტეგრირება ხელოვნური ინტელექტი და ლინგვისტიკა
19. კოლექტიური ინტელექტის პროგრამირება
ტობი სეგარანის პროგრამირების კოლექტიური ინტელექტი, რომელიც ითვლება ერთ-ერთ საუკეთესო წიგნად მანქანათმცოდნეობის გაგების დასაწყებად, დაიწერა 2007 წელს, წლების წინ, სანამ მონაცემთა მეცნიერება და მანქანათმცოდნეობა მიიღებდნენ თავიანთ ამჟამინდელ პოზიციას, როგორც წამყვანი პროფესიული გზები.
წიგნი იყენებს პითონს, როგორც მეთოდს თავისი გამოცდილების აუდიტორიისთვის გასავრცელებლად. პროგრამირების კოლექტიური ინტელექტი უფრო მეტი სახელმძღვანელოა ml-ის განხორციელებისთვის, ვიდრე შესავალი მანქანური სწავლისთვის.
წიგნში მოცემულია ინფორმაცია ეფექტური ML ალგორითმების შემუშავების შესახებ აპებიდან მონაცემების შესაგროვებლად, ვებსაიტებიდან მონაცემების მოსაპოვებლად პროგრამირებისა და შეგროვებული მონაცემების ექსტრაპოლაციისთვის.
თითოეული თავი მოიცავს აქტივობებს განხილული ალგორითმების გაფართოებისა და მათი სარგებლიანობის გასაძლიერებლად.
წიგნში განხილული თემები
- ბაიესის ფილტრაცია
- ვექტორული მანქანების მხარდაჭერა
- საძიებო სისტემის ალგორითმები
- პროგნოზების გაკეთების გზები
- ერთობლივი ფილტრაციის ტექნიკა
- არაუარყოფითი მატრიცის ფაქტორიზაცია
- ინტელექტის განვითარება პრობლემების გადასაჭრელად
- ჯგუფების ან შაბლონების გამოვლენის მეთოდები
20. ღრმა სწავლა (ადაპტაციური გამოთვლებისა და მანქანათმცოდნეობის სერია)
როგორც ჩვენ ყველამ ვიცით, ღრმა სწავლება არის მანქანათმცოდნეობის გაუმჯობესებული სახეობა, რომელიც საშუალებას აძლევს კომპიუტერებს ისწავლონ წარსული მუშაობისა და დიდი რაოდენობით მონაცემებისგან.
მანქანური სწავლების ტექნიკის გამოყენებისას, თქვენ ასევე უნდა იცოდეთ ღრმა სწავლის პრინციპები. ეს წიგნი, რომელიც განიხილება, როგორც ღრმა სწავლის ბიბლია, ძალიან დაგვეხმარება ამ ვითარებაში.
ღრმა სწავლის სამი ექსპერტი მოიცავს უაღრესად რთულ თემებს, რომლებიც ივსება მათემატიკით და ღრმა გენერაციული მოდელებით ამ წიგნში.
მათემატიკური და კონცეპტუალური საფუძვლის უზრუნველყოფის ნაშრომში განხილულია შესაბამისი იდეები წრფივი ალგებრაში, ალბათობის თეორიაში, ინფორმაციის თეორიაში, რიცხვითი გამოთვლებისა და მანქანათმცოდნეობის შესახებ.
ის იკვლევს აპლიკაციებს, როგორიცაა ბუნებრივი ენის დამუშავება, მეტყველების ამოცნობა, კომპიუტერული ხედვა, ონლაინ სარეკომენდაციო სისტემები, ბიოინფორმატიკა და ვიდეო თამაშები და აღწერს ღრმა სწავლის ტექნიკას, რომელსაც იყენებენ ინდუსტრიის პრაქტიკოსები, როგორიცაა ღრმა feedforward ქსელები, რეგულარიზაციისა და ოპტიმიზაციის ალგორითმები, კონვოლუციური ქსელები და პრაქტიკული მეთოდოლოგია. .
წიგნში განხილული თემები
- რიცხვითი გამოთვლა
- ღრმა სწავლის კვლევა
- კომპიუტერული ხედვის ტექნიკა
- Deep Feedforward ქსელები
- ოპტიმიზაცია ღრმა მოდელების ვარჯიშისთვის
- პრაქტიკული მეთოდოლოგია
- ღრმა სწავლის კვლევა
დასკვნა
20 საუკეთესო მანქანათმცოდნეობის წიგნი შეჯამებულია ამ სიაში, რომლებიც შეგიძლიათ გამოიყენოთ მანქანური სწავლების გასაუმჯობესებლად თქვენთვის სასურველი მიმართულებით.
თქვენ შეძლებთ შექმნათ მყარი საფუძველი მანქანათმცოდნეობის ექსპერტიზაში და საცნობარო ბიბლიოთეკა, რომელიც შეგიძლიათ ხშირად გამოიყენოთ რეგიონში მუშაობის დროს, თუ წაიკითხავთ ამ მრავალფეროვან სახელმძღვანელოებს.
თქვენ შთაგონებული იქნებით, რომ გააგრძელოთ სწავლა, გახდეთ უკეთესი და გქონდეთ ეფექტი, თუნდაც მხოლოდ ერთი წიგნი წაიკითხოთ.
როდესაც მზად ხართ და კომპეტენტური ხართ საკუთარი მანქანური სწავლების ალგორითმების შესაქმნელად, გახსოვდეთ, რომ მონაცემები სასიცოცხლოდ მნიშვნელოვანია თქვენი პროექტის წარმატებისთვის.
დატოვე პასუხი