Inhaltsverzeechnes[Verstoppen][Show]
Iwwregens, mir sinn all bewosst wéi séier Maschinn Léieren Technologie an de leschte Joren entwéckelt huet. Maschinnléieren ass eng Disziplin déi den Interessi vu verschiddene Firmen, Akademiker a Secteuren ugezunn huet.
Dofir wäert ech e puer vun de gréisste Bicher iwwer Maschinnléieren diskutéieren, déi en Ingenieur oder Newbie haut sollt liesen. Dir musst all d'accord sinn datt d'Bicher liesen net datselwecht ass wéi d'Intellekt ze benotzen.
Bicher liesen hëlleft eise Geescht vill nei Saachen ze entdecken. Liesen ass léieren, no all. E Self-Learner Tag ass vill Spaass ze hunn. Déi gréisste Léierbicher, déi am Feld verfügbar sinn, ginn an dësem Artikel beliicht.
Déi folgend Léierbicher bidden eng besicht a richteg Aféierung an dat gréissert Feld vun der AI a ginn dacks an Universitéitscoursen benotzt a vun Akademiker an Ingenieuren recommandéiert.
Och wann Dir eng Tonn hutt Maschinn léieren Erfahrung, ee vun dësen Léierbicher ophuelen kéint e super Wee sinn fir ze briechen. No allem ass Léieren e kontinuéierleche Prozess.
1. Machine Learning Fir Absolute Ufänger
Dir wëllt Maschinn Léieren studéieren awer wësst net wéi Dir et maacht. Et gi verschidde entscheedend theoretesch a statistesch Konzepter déi Dir sollt verstoen ier Dir Är epesch Rees a Maschinnléiere ufänkt. An dëst Buch erfëllt dee Besoin!
Et bitt komplett Ufänger mat engem héijen Niveau, applicabel Aféierung fir Maschinn Léieren. D'Buch Machine Learning for Absolute Beginners ass eng vun de beschte Choixe fir jiddereen deen no der vereinfachtster Erklärung vu Maschinnléieren an assoziéiert Iddien sicht.
Déi vill ml Algorithmen vum Buch gi begleet vu präzisen Erklärungen a grafesche Beispiller fir de Lieser ze hëllefen alles wat diskutéiert gëtt ze verstoen.
Themen déi am Buch behandelt ginn
- Basics vun neural Netzwierker
- Regressioun Analyse
- Feature Engineering
- Clustering
- Kräizvalidatioun
- Daten Scrubbing Techniken
- Entscheedung Beem
- Ensemble Modeller
2. Maschinn Léieren fir Dummies
Maschinnléieren kéint eng konfus Iddi fir regelméisseg Leit sinn. Wéi och ëmmer, et ass onerwaart fir déi vun eis déi wëssenschaftlech sinn.
Ouni ML ass et schwéier Themen wéi Online Sichresultater, Echtzäit Annoncë op Websäiten, Automatisatioun oder souguer Spamfilter ze managen (Jo!).
Als Resultat bitt dëst Buch Iech eng einfach Aféierung déi Iech hëlleft méi iwwer dat enigmatescht Räich vum Maschinnléieren ze léieren. Mat der Hëllef vu Machine Learning For Dummies léiert Dir wéi Dir Sprooche wéi Python a R "schwätzt", wat Iech erlaabt Computeren ze trainéieren fir Mustererkennung an Datenanalyse ze maachen.
Zousätzlech léiert Dir wéi Dir Python's Anaconda a R Studio benotzt fir am R.
Themen déi am Buch behandelt ginn
- Datepreparatioun
- Approche fir Maschinn Léieren
- De Maschinn Léieren Zyklus
- Iwwerwaacht an net iwwerwaacht Léieren
- Training Maschinn Léieren Systemer
- Maschinn Léiermethoden un d'Resultater verbannen
3. D'Honnert Säit Machine Learning Buch
Ass et machbar all Aspekter vum Maschinnléieren op ënner 100 Säiten ze decken? Dem Andriy Burkov säin The Hundred-Page Machine Learning Book ass e Versuch datselwecht ze maachen.
D'Maschinn Léierbuch ass gutt geschriwwen an ënnerstëtzt vu renomméierten Gedankeleit, dorënner Sujeet Varakhedi, Chef vum Ingenieur bei eBay, a Peter Norvig, Direkter vun der Fuerschung bei Google.
Et ass dat gréisste Buch fir en Ufänger am Maschinnléieren. Nodeems Dir d'Buch grëndlech gelies hutt, wäert Dir fäeg sinn raffinéiert AI Systemer ze konstruéieren an ze verstoen, an engem Maschinnléierinterview erfollegräich ze sinn, a souguer Är ganz eegen ML-baséiert Firma starten.
Wéi och ëmmer, d'Buch ass net fir komplett Ufänger am Maschinnléieren geduecht. Kuckt iergendwou wann Dir eppes méi fundamental sicht.
Themen déi am Buch behandelt ginn
- Anatomie vun a Léieren Algorithmus
- Iwwerwaacht Léieren an net iwwerwaacht Léieren
- Verstäerkung Léieren
- Fundamental Algorithmen vum Machine Learning
- Iwwersiicht vun Neural Netzwierker an Deep Learning
4. Machine Learning verstoen
Eng systematesch Aféierung fir Maschinnléieren gëtt am Buch Understanding Machine Learning geliwwert. D'Buch verdreift déif an d'fundamental Iddien, computational Paradigmen, a mathematesch Oflehnungen vu Maschinnléieren.
Eng extensiv Palette vu Maschinnléiere Sujete gëtt op eng einfach Manéier duerch Maschinnléieren presentéiert. Déi theoretesch Fundamenter vum Maschinnléieren ginn am Buch beschriwwen, zesumme mat de mathematesch Ofleiungen, déi dës Fundamenter an nëtzlech Algorithmen ëmsetzen.
D'Buch präsentéiert d'Grondlage ier Dir eng breet Palette vun entscheedende Themen ofdeckt, déi net vu fréiere Léierbicher ofgedeckt goufen.
Dobäi abegraff sinn eng Diskussioun iwwer d'Konvexitéit a Stabilitéitskonzepter an d'Computational Komplexitéit vum Léieren, souwéi bedeitend algorithmesch Paradigme wéi stochastesch gradient Ofstamung, neural Netzwierker, a strukturéiert Output Léieren, souwéi nei opkomende theoretesch Iddien wéi d'PAC-Bayes Approche a Kompressiounsbaséiert Grenzen. entworf fir Ufank Graduéierter oder fortgeschratt undergraduates.
Themen déi am Buch behandelt ginn
- D'Rechnerkomplexitéit vum Maschinnléieren
- ML Algorithmen
- Neural Netzwierker
- PAC-Bayes Approche
- Stochastesch Gradient Ofstamung
- Strukturéiert Output Léieren
5. Aféierung fir Machine Learning mat Python
Sidd Dir e Python-erfuerene Datewëssenschaftler deen Maschinnléiere wëllt studéieren? Dat bescht Buch fir Äert Maschinnléieren Abenteuer mat ze starten ass Aféierung fir Maschinnléieren mam Python: E Guide fir Datewëssenschaftler.
Mat der Hëllef vum Buch Introduction to Machine Learning with Python: A Guide for Data Scientists, entdeckt Dir eng Vielfalt vun nëtzlechen Techniken fir personaliséiert Maschinnléiere Programmer ze kreéieren.
Dir wäert all entscheedend Schrëtt ofdecken, involvéiert beim Benotze vu Python an dem Scikit-Learn Package fir zouverlässeg Maschinn Léieren Uwendungen ze bauen.
E zolitte Grëff vun de Matplotlib an NumPy Bibliothéiken ze kréien wäert d'Léieren vill méi einfach maachen.
Themen déi am Buch behandelt ginn
- Modern Technike fir Parameter Tweaking a Modell Bewäertung
- Uwendungen a Basis Maschinn Léieren Iddien
- automatiséiert Léieren Techniken
- Techniken fir Textdaten ze manipuléieren
- Modell Ketten an Workflow Encapsulation Pipelines
- Datevertriedung no der Veraarbechtung
6. Hands-on Machine Learning mat Sci-Kit Léieren, Keras & Tensorflow
Ënnert de grëndlechste Publikatiounen iwwer Datewëssenschaft a Maschinnléieren ass et voller Wëssen. Et gëtt ugeroden datt Experten an Ufänger méi iwwer dëst Thema studéieren.
Och wann dëst Buch just e bëssen Theorie enthält, gëtt et vu staarke Beispiller ënnerstëtzt, wat et eng Plaz op der Lëscht gëtt.
Dëst Buch enthält eng Vielfalt vun Themen, dorënner scikit-learn fir Maschinnléiere Projeten an TensorFlow fir neural Netzwierker ze kreéieren an ze trainéieren.
Nodeems Dir dëst Buch gelies hutt, denken mir datt Dir besser equipéiert sidd fir méi anzegoen ze léieren a mat praktesche Problemer këmmeren.
Themen déi am Buch behandelt ginn
- Ënnersicht d'Landschaft vu Maschinnléieren, besonnesch neural Netzwierker
- Verfollegt e Probe Maschinnléierprojet vun Ufank bis Schluss mat Scikit-Learn.
- Ënnersicht verschidde Trainingsmodeller, wéi Ensembeltechniken, zoufälleg Bëscher, Entscheedungsbeem, an Ënnerstëtzung vu Vektormaschinnen.
- Erstellt an trainéiert neural Netzwierker andeems Dir d'TensorFlow Bibliothéik benotzt.
- Betruecht convolutional Netzwierker, widderhuelend Netzer, an déif Verstäerkung Léieren beim Entdeckung neural net Motiver.
- Léiert wéi een déif neural Netzwierker skaléieren an trainéieren.
7. Machine Learning fir Hacker
Fir den erfuerene Programméierer, deen un Datenanalyse interesséiert ass, ass d'Buch Machine Learning for Hackers geschriwwen. Hacker si qualifizéiert Mathematiker an dësem Kontext.
Fir een mat engem zolitte Verständnis vu R, ass dëst Buch e super Choix well d'Majoritéit dovun op d'Datenanalyse am R konzentréiert ass.
D'Inklusioun vu pertinente Fallgeschichten ënnersträicht de Wäert fir d'Maschinn Léieren Algorithmen ze benotzen kann d'Buch Machine Learning fir Hackers bedeitendste Verkafspunkt sinn.
D'Buch gëtt vill Real-Welt Beispiller fir d'Maschinn Léieren méi einfach a méi séier ze maachen anstatt méi déif a seng mathematesch Theorie doriwwer ze goen.
Themen déi am Buch behandelt ginn
- Erstellt en naiv Bayesian Klassifizéierer deen einfach den Inhalt vun enger E-Mail analyséiert fir ze bestëmmen ob et Spam ass.
- Virauszesoen d'Zuel vun de Säitevisioune fir déi Top 1,000 Websäite mat linearer Regressioun
- Ënnersich Optimiséierungsmethoden andeems Dir probéiert en einfache Bréifchiffer ze knacken.
8. Python Maschinn Léieren mat Beispiller
Dëst Buch, dat Iech hëlleft verschidde Machine Learning, Deep Learning, an Data Analyse Methoden ze verstoen an ze kreéieren, ass méiglecherweis deen eenzegen deen nëmmen op Python als Programméierungssprooch konzentréiert.
Et deckt verschidde potenziell Bibliothéike fir verschidde Machine Learning Algorithmen ëmzesetzen, sou wéi Scikit-Learn. Den Tensor Flow Modul gëtt dann benotzt fir Iech iwwer déif Léieren ze léieren.
Schlussendlech weist et déi vill Datenanalyseméiglechkeeten déi mat Maschinn an Deep Learning erreecht kënne ginn.
Et léiert Iech och déi vill Techniken déi kënne benotzt ginn fir d'Effizienz vum Modell ze erhéijen deen Dir erstellt.
Themen déi am Buch behandelt ginn
- Léieren Python a Maschinn Léieren: En Ufänger Guide
- Iwwerpréift den 2 Newsgroups Dateset an Naive Bayes Spam E-Mail Detektioun
- Mat SVMs, klassifizéieren d'Themen vun Newsgeschichten Click-through-Prognose mat Algorithmen baséiert op Beem
- Prognose vum Klickrate mat logistescher Regressioun
- D'Benotzung vu Regressiounsalgorithmen fir déi héchste Standarde vun Aktienpräisser virauszesoen
9. Python Machine Learning
De Python Machine Learning Buch erkläert d'Grondlage vum Maschinnléieren souwéi seng Bedeitung am digitalen Domain. Et ass e Maschinnléierbuch fir Ufänger.
Zousätzlech am Buch ofgedeckt sinn d'Maschinn Léieren vill Ënnerfelder an Uwendungen. D'Prinzipien vun der Python Programméierung a wéi Dir mat der gratis an Open-Source Programméierungssprooch unzefänken ass och am Python Machine Learning Buch ofgedeckt.
Nodeems Dir d'Maschinn Léierbuch ofgeschloss hutt, kënnt Dir effektiv eng Zuel vu Maschinnléierejobs mat Python Kodéierung etabléieren.
Themen déi am Buch behandelt ginn
- Kënschtlech Intelligenz Fundamenter
- engem Decisioun Bam
- Logistesch Réckgang
- Am-Déift neural Netzwierker
- Python Programméierungssprooch Fundamenter
10. Machine Learning: A Probabilistic Perspective
Machine Learning: A Probabilistic Perspective ass e humoristescht Maschinnléierbuch dat nostalgesch Faarfgrafiken a praktesch, real-Welt Beispiller aus Disziplinnen wéi Biologie, Computervisioun, Robotik, an Textveraarbechtung enthält.
Et ass voller Casual Prosa a Pseudocode fir wesentlech Algorithmen. Machine Learning: A Probabilistic Perspective, am Géigesaz zu anere Maschinnléiere Publikatiounen, déi am Stil vun engem Kachbuch presentéiert ginn a verschidde heuristesch Approche beschreiwen, konzentréiert sech op eng prinzipiell modellbaséiert Approche.
Et spezifizéiert ml Modeller mat grafesche Representatioune op eng kloer a verständlech Manéier. Baséierend op enger vereenegt, probabilistescher Approche, bitt dëst Léierbuch eng komplett a selbststänneg Aféierung an d'Beräich vum Maschinnléieren.
Den Inhalt ass breet an déif, dorënner fundamental Hannergrondmaterial iwwer Themen wéi Wahrscheinlechkeet, Optimiséierung a linear Algebra, souwéi eng Diskussioun iwwer zäitgenëssesch Fortschrëtter an der Regioun wéi bedingt zoufälleg Felder, L1 Regulariséierung, an Deep Learning.
D'Buch ass an enger Casual, accessibel Sprooch geschriwwen, enthält Pseudo-Code fir déi wichtegst bedeitend Algorithmen.
Themen déi am Buch behandelt ginn
- Probabilitéit
- Deep Learning
- L1 Regulariséierung
- akeef
- Textveraarbechtung
- Computer Vision Uwendungen
- Robotik Uwendungen
11. D'Elementer vum statistesche Léieren
Fir säi konzeptuellen Kader an eng breet Varietéit vun Themen, gëtt dëst Maschinn Léierbuch dacks am Feld unerkannt.
Dëst Buch kann als Referenz fir jidderee benotzt ginn, deen Themen wéi neural Netzwierker an Testtechniken opzebaue muss, souwéi eng einfach Aféierung an d'Maschinn Léieren.
D'Buch dréckt de Lieser aggressiv op hir eegen Experimenter an Ermëttlungen op all Tour ze maachen, wat et wäertvoll mécht fir d'Fäegkeeten a Virwëtzegkeet ze kultivéieren déi néideg sinn fir pertinent Fortschrëtter an enger Maschinnléierkapazitéit oder Aarbecht ze maachen.
Et ass e wichtegt Instrument fir Statistiker a jiddereen, deen un Datemining am Geschäft oder der Wëssenschaft interesséiert ass. Gitt sécher datt Dir linear Algebra op e Minimum versteet ier Dir dëst Buch ufänkt.
Themen déi am Buch behandelt ginn
- Iwwerwaacht Léieren (Prognose) bis net iwwerwaacht Léieren
- Neural Netzwierker
- Ënnerstëtzt Vectormaschinnen
- Klassifikatioun Beem
- Boost Algorithmen
12. Muster Unerkennung a Maschinn Léieren
D'Welte vun der Mustererkennung a Maschinnléiere kënnen an dësem Buch grëndlech exploréiert ginn. D'Bayesian Approche fir Mustererkennung gouf ursprénglech an dëser Publikatioun presentéiert.
Ausserdeem ënnersicht d'Buch usprochsvoll Themen déi e funktionnéierende Verständnis vu multivariate, Datewëssenschaft a fundamental linearer Algebra brauchen.
Op Maschinnléieren a Wahrscheinlechkeet bitt d'Referenzbuch Kapitele mat progressiv méi haart Komplexitéitsniveauen baséiert op Trends an Datesätz. Einfach Beispiller gi virun enger allgemenger Aféierung an d'Mustererkennung uginn.
D'Buch bitt Techniken fir geschätzte Inferenz, déi séier Approximatioune erlaben a Fäll wou exakt Léisungen onpraktesch sinn. Et gi keng aner Bicher déi grafesch Modeller benotzen fir Wahrscheinlechkeetsverdeelungen ze beschreiwen, awer et mécht.
Themen déi am Buch behandelt ginn
- Bayesian Methoden
- Ongeféier Inferenz Algorithmen
- Nei Modeller baséiert op Kären
- Aféierung an Basis Wahrscheinlechkeet Theorie
- Aféierung fir Mustererkennung a Maschinnléieren
13. Fundamentals vum Machine Learning vu Predictive Data Analytics
Wann Dir d'Grondlage vum Maschinnléiere beherrscht a wëllt weider op prévisiv Datenanalyse goen, ass dëst d'Buch fir Iech !!! Andeems Dir Mustere vu massiven Datesätz fënnt, kann Machine Learning benotzt ginn fir Prognosemodeller z'entwéckelen.
Dëst Buch ënnersicht d'Ëmsetzung vun ML benotzt Predictive Data Analytics am-Déift, dorënner souwuel theoretesch Prinzipien an aktuell Beispiller.
Trotz der Tatsaach datt den Titel "Fundamentals of Machine Learning for Predictive Data Analytics" e Mondvoll ass, wäert dëst Buch d'Predictive Data Analytics Rees vun Daten bis Asiicht zu enger Conclusioun skizzéieren.
Et diskutéiert och véier Maschinn Léieren Approche: Informatioun-baséiert Léieren, Ähnlechkeet-baséiert Léieren, Wahrscheinlechkeet-baséiert Léieren, a Feeler-baséiert Léieren, all mat enger net-technescher konzeptuell Erklärung gefollegt vun mathematesch Modeller an Algorithmen mat Beispiller.
Themen Daach am Buch
- Informatioun-baséiert Léieren
- Ähnlechkeet-baséiert Léieren
- Wahrscheinlechkeet-baséiert Léieren
- Feeler-baséiert Léieren
14. Applizéiert Predictive Modeling
Applied Predictive Modeling ënnersicht de ganze prévisive Modelléierungsprozess, ugefaange mat de kritesche Phasen vun der Datevirveraarbechtung, Datesplitung, a Modelltuning Fundamenter.
D'Aarbecht stellt dann kloer Beschreiwunge vu ville konventionellen a rezente Regressiouns- a Klassifikatiouns Approche vir, mat engem Fokus op d'Show an d'Léisung vun real-Welt Daten Erausfuerderungen.
De Guide weist all Aspekter vum Modellerprozess mat e puer prakteschen, real-Welt Beispiller, an all Kapitel enthält iwwergräifend R Code fir all Etapp vum Prozess.
Dëse Multipurpose Volume kann als Aféierung zu prévisive Modeller an de ganze Modelléierungsprozess benotzt ginn, als Referenzguide fir Praktiker, oder als Text fir fortgeschratt undergraduate oder graduéiert Niveau predictive Modeling Coursen.
Themen déi am Buch behandelt ginn
- Technesch Réckgang
- Klassifikatioun Technik
- Komplex ML Algorithmen
15. Machine Learning: D'Konscht an d'Wëssenschaft vun Algorithmen déi Sënn vun Daten maachen
Wann Dir en Zwëschenzäit oder Expert am Maschinnléiere sidd a wëllt "zréck an d'Grondlage goen", ass dëst Buch fir Iech! Et bezilt voll Kreditt un déi enorm Komplexitéit an Déift vum Machine Learning, wärend se seng vereenegt Prinzipien ni aus den Ae verléiert (zimmlech eng Leeschtung!).
Machine Learning: D'Konscht an d'Wëssenschaft vun Algorithmen enthalen e puer Fallstudien vun der Erhéijung vun der Komplexitéit, souwéi vill Beispiller a Biller (fir d'Saachen interessant ze halen!).
D'Buch deckt och eng breet Palette vu logeschen, geometreschen a statistesche Modeller, souwéi komplizéiert an nei Themen wéi Matrixfaktoriséierung a ROC Analyse.
Themen déi am Buch behandelt ginn
- Vereinfacht Maschinn Léieren Algorithmen
- Logesche Modell
- Geometresche Modell
- Statistesche Modell
- ROC Analyse
16. Data Mining: Praktesch Machine Learning Tools & Techniken
Mat Hëllef vun Approchen aus der Studie vun Datebanksystemer, Maschinnléieren a Statistiken, Datemining Techniken erméiglechen eis Musteren a grousse Quantitéiten un Daten ze fannen.
Dir sollt d'Buch kréien Data Mining: Practical Machine Learning Tools and Techniques wann Dir Datemining Techniken besonnesch studéiere musst oder plangt Maschinnléieren am Allgemengen ze léieren.
Dat bescht Buch iwwer Maschinnléieren konzentréiert sech méi op seng technesch Säit. Et verdreift weider an d'technesch komplizéiert Maschinnléieren, a Strategien fir Daten ze sammelen a verschidden Inputen an Ausgänge ze benotzen fir d'Resultater ze beurteelen.
Themen déi am Buch behandelt ginn
- Linearmodeller
- Clustering
- Statistesch Modeller
- Viraussoen Leeschtung
- Vergläichen Daten Mining Methoden
- Instanz-baséiert Léieren
- Wëssen Representatioun & Cluster
- Traditionell a modern Daten Mining Techniken
17. Python fir Daten Analyse
D'Fäegkeet d'Donnéeën ze bewäerten, déi am Maschinnléieren benotzt ginn, ass déi wichtegst Fäegkeet, déi en Datewëssenschaftler muss besëtzen. Ier Dir e ML Modell entwéckelt deen eng korrekt Prognose produzéiert, wäert d'Majoritéit vun Ärer Aarbecht d'Handhabung, d'Veraarbechtung, d'Botzen an d'Bewäertung vun Daten enthalen.
Dir musst mat Programméierungssprooche wéi Pandas, NumPy, Ipython an anerer vertraut sinn fir Datenanalyse auszeféieren.
Wann Dir an der Datewëssenschaft oder Maschinnléiere wëllt schaffen, musst Dir d'Fäegkeet hunn Daten ze manipuléieren.
Dir sollt definitiv d'Buch Python fir Datenanalyse an dësem Fall liesen.
Themen déi am Buch behandelt ginn
- Néideg Python Bibliotheken
- Fortgeschratt Pandas
- Daten Analyse Beispiller
- Daten Botzen a Virbereedung
- Mathematesch a statistesch Methoden
- Zesummefaassung a Rechenbeschreibungsstatistiken
18. Natierlech Sproochveraarbechtung mam Python
D'Fundament vu Maschinnléieresystemer ass natierlech Sproochveraarbechtung.
D'Buch Natural Language Processing with Python instruéiert Iech wéi Dir NLTK benotzt, eng beléifte Sammlung vu Python Moduler an Tools fir symbolesch a statistesch natierlech Sproochveraarbechtung fir Englesch an NLP am Allgemengen.
D'Natursproochveraarbechtung mam Python Buch bitt effektiv Python Routinen déi NLP op eng präzis, offensichtlech Manéier demonstréieren.
D'Lieser hunn Zougang zu gutt annotéierten Datesätz fir mat onstrukturéierten Donnéeën, Text-linguistesch Struktur an aner NLP-fokusséiert Elementer ze këmmeren.
Themen déi am Buch behandelt ginn
- Wéi funktionéiert d'mënschlech Sprooch?
- Linguistesch Datestrukturen
- Natural Language Toolkit (NLTK)
- Parsing an semantesch Analyse
- Populär sproochlech Datenbanken
- Integréieren Techniken aus Kënschtlech Intelligenz a Linguistik
19. Programméiere vun kollektiver Intelligenz
D'Programming Collective Intelligence vum Toby Segaran, dat als ee vun de gréisste Bicher ugesi gëtt fir Maschinnléieren ze verstoen, gouf am Joer 2007 geschriwwen, Joer ier Datewëssenschaft a Maschinnléieren hir aktuell Positioun als féierend professionell Weeër erreecht hunn.
D'Buch benotzt Python als Method fir seng Expertise fir säi Publikum ze verbreeden. D'Programming Collective Intelligence ass méi eng Handbuch fir ml Implementatioun wéi et eng Aféierung an d'Maschinn Léieren ass.
D'Buch liwwert Informatioun iwwer d'Entwécklung vun effektiven ML Algorithmen fir Daten aus Apps ze sammelen, ze programméieren fir Daten vu Websäiten ze kréien an déi gesammelt Daten extrapoléieren.
All Kapitel enthält Aktivitéite fir déi diskutéiert Algorithmen auszebauen an hir Nëtzlechkeet ze verbesseren.
Themen déi am Buch behandelt ginn
- Bayesian Filter
- Ënnerstëtzt Vectormaschinnen
- Sichmotor Algorithmen
- Weeër fir Prognosen ze maachen
- Zesummenaarbecht Filter Techniken
- Net-negativ Matrixfaktoriséierung
- Evolutioun vun Intelligenz fir Problemléisung
- Methoden fir Gruppen oder Musteren z'entdecken
20. Deep Learning (Adaptative Computation and Machine Learning Series)
Wéi mir all bewosst sinn, ass Deep Learning eng verbessert Aart vu Maschinnléieren déi Computeren et erméiglecht aus der vergaanger Leeschtung an enger grousser Quantitéit un Daten ze léieren.
Wärend Dir Maschinn Léieren Techniken benotzt, musst Dir och mat déif Léierprinzipien vertraut sinn. Dëst Buch, dat als Bibel vum Deep Learning ugesi gëtt, wäert an dëser Situatioun ganz hëllefräich sinn.
Dräi Deep Learning Experten decken héich komplizéiert Themen déi mat Mathematik an déif generativ Modeller an dësem Buch gefüllt sinn.
Eng mathematesch a konzeptueller Basis ze bidden, diskutéiert d'Aarbecht pertinent Iddien an der linearer Algebra, Wahrscheinlechkeetstheorie, Informatiounstheorie, numerescher Berechnung a Maschinnléieren.
Et iwwerpréift Uwendungen wéi natierlech Sproochveraarbechtung, Riederkennung, Computervisioun, Online Empfehlungssystemer, Bioinformatik, a Videospiller a beschreift déif Léiertechniken, déi vun Industriepraktiker benotzt ginn, wéi déif Feedforward Netzwierker, Regulariséierung, an Optimisatiounsalgorithmen, konvolutional Netzwierker, a praktesch Methodik. .
Themen déi am Buch behandelt ginn
- Numeresch Berechnung
- Deep Learning Fuerschung
- Computer Visioun Techniken
- Deep Feedforward Netzwierker
- Optimisatioun fir Training Deep Modeller
- Praktesch Methodik
- Deep Learning Fuerschung
Konklusioun
Déi 20 Top Maschinnléierebicher ginn an dëser Lëscht zesummegefaasst, déi Dir benotze kënnt fir Maschinnléieren an déi Richtung ze progresséieren déi Dir wëllt.
Dir wäert fäeg sinn e festen Fundament am Maschinnléieren Expertise an eng Referenzbibliothéik z'entwéckelen déi Dir dacks benotze kënnt wann Dir an der Regioun schafft wann Dir eng Vielfalt vun dësen Léierbicher liest.
Dir wäert inspiréiert ginn fir weider ze léieren, besser ze ginn an en Effekt ze hunn och wann Dir just ee Buch liest.
Wann Dir bereet sidd a kompetent sidd fir Är eege Maschinnléieren Algorithmen z'entwéckelen, bedenkt datt d'Donnéeën vital essentiell fir den Erfolleg vun Ärem Projet sinn.
Hannerlooss eng Äntwert