Turinys[Slėpti][Rodyti]
Beje, visi žinome, kaip greitai per pastaruosius kelerius metus vystėsi mašininio mokymosi technologija. Mašinų mokymasis yra disciplina, kuri sulaukė kelių korporacijų, akademikų ir sektorių susidomėjimo.
Dėl šios priežasties aptarsiu keletą geriausių knygų apie mašininį mokymąsi, kurias šiandien turėtų perskaityti inžinierius ar naujokas. Turbūt visi sutikote, kad knygų skaitymas nėra tas pats, kas naudotis intelektu.
Knygų skaitymas padeda mūsų protui atrasti daug naujų dalykų. Skaitymas juk yra mokymasis. Savarankiškai besimokančiojo žyma yra labai smagu. Šiame straipsnyje bus paryškinti geriausi šios srities vadovėliai.
Toliau pateiktuose vadovėliuose pateikiamas išbandytas ir tikras įvadas į platesnę AI sritį. Jie dažnai naudojami universitetų kursuose ir rekomenduojami akademikų ir inžinierių.
Net jei turite toną mašininis mokymasis patirties, pasiimti vieną iš šių vadovėlių gali būti puikus būdas atnaujinti. Juk mokymasis yra nenutrūkstamas procesas.
1. Mašininis mokymasis absoliučiai pradedantiesiems
Norėtumėte mokytis mašininio mokymosi, bet nežinote, kaip tai padaryti. Yra keletas svarbių teorinių ir statistinių sąvokų, kurias turėtumėte suprasti prieš pradėdami epinę kelionę į mašininį mokymąsi. Ir ši knyga patenkina šį poreikį!
Ji siūlo visišką naujokams su aukšto lygio, taikoma įvadas į mašininį mokymąsi. Knyga „Mašininis mokymasis absoliučiams pradedantiesiems“ yra vienas geriausių pasirinkimų visiems, ieškantiems paprastesnio mašininio mokymosi ir susijusių idėjų paaiškinimo.
Knygoje pateikiami daugybė ml algoritmų, kuriuos lydi glausti paaiškinimai ir grafiniai pavyzdžiai, padedantys skaitytojams suprasti viską, kas aptariama.
Knygoje nagrinėjamos temos
- Pagrindai neuroniniai tinklai
- Regresijos analizė
- Funkcijų inžinerija
- grupavimas
- Kryžminis patvirtinimas
- Duomenų šveitimo būdai
- Sprendimų medžiai
- Ansamblio modeliavimas
2. Mašininis mokymasis manekenams
Mašininis mokymasis gali būti paini idėja paprastiems žmonėms. Tačiau mums, išmanantiems, tai neįkainojama.
Be ML sunku valdyti tokias problemas kaip internetinės paieškos rezultatai, skelbimai realiuoju laiku tinklalapiuose, automatizavimas ar net šiukšlių filtravimas (Taip!).
Todėl šioje knygoje pateikiamas paprastas įvadas, kuris padės daugiau sužinoti apie mįslingą mašininio mokymosi sritį. Naudodami „Machine Learning For Dummies“ išmoksite „kalbėti“ tokiomis kalbomis kaip Python ir R, o tai leis jums išmokyti kompiuterius atlikti modelių atpažinimą ir duomenų analizę.
Be to, išmoksite naudoti Python's Anaconda ir R Studio kuriant R.
Knygoje nagrinėjamos temos
- Duomenų paruošimas
- mašininio mokymosi metodai
- Mašininio mokymosi ciklas
- Mokymasis prižiūrimas ir neprižiūrimas
- Mašininio mokymosi sistemų mokymas
- Mašininio mokymosi metodų susiejimas su rezultatais
3. Šimto puslapių mašininio mokymosi knyga
Ar įmanoma per mažiau nei 100 puslapių apimti visus mašininio mokymosi aspektus? Andriaus Burkovo knyga „Šimto puslapių mašininio mokymosi knyga“ yra bandymas padaryti tą patį.
Mašininio mokymosi knyga yra gerai parašyta ir ją palaiko žinomi minčių lyderiai, įskaitant Sujeetą Varakhedi, „eBay“ inžinerijos vadovą ir Peterį Norvigą, „Google“ tyrimų vadovą.
Tai geriausia knyga pradedantiesiems mašininio mokymosi srityje. Atidžiai perskaitę knygą galėsite sukurti ir suprasti sudėtingas AI sistemas, sėkmingai dalyvauti interviu su mašininiu mokymusi ir net įkurti savo ML pagrindu sukurtą įmonę.
Tačiau knyga nėra skirta visiškai pradedantiesiems mašininio mokymosi srityje. Ieškokite kur nors, jei ieškote ko nors fundamentalesnio.
Knygoje nagrinėjamos temos
- A anatomija mokymosi algoritmas
- Mokymasis prižiūrimas ir neprižiūrimas mokymasis
- Stiprinimo mokymasis
- Pagrindiniai mašininio mokymosi algoritmai
- Neuroninių tinklų ir gilaus mokymosi apžvalga
4. Mašininio mokymosi supratimas
Sistemingas įvadas į mašininį mokymąsi pateikiamas knygoje Understanding Machine Learning. Knygoje giliai įsigilinta į pagrindines mašininio mokymosi idėjas, skaičiavimo paradigmas ir matematinius išvedžiojimus.
Didelis mašininio mokymosi dalykų asortimentas paprastai pateikiamas naudojant mašininį mokymąsi. Knygoje aprašyti teoriniai mašininio mokymosi pagrindai kartu su matematiniais išvedžiojimais, kurie šiuos pagrindus paverčia naudingais algoritmais.
Knygoje pateikiami pagrindai, prieš apimant daugybę svarbių dalykų, kurie nebuvo aprašyti ankstesniuose vadovėliuose.
Čia aptariamos išgaubtumo ir stabilumo sąvokos bei mokymosi skaičiavimo sudėtingumas, taip pat svarbios algoritminės paradigmos, tokios kaip stochastinė. gradiento nusileidimas, neuroniniai tinklai ir struktūrinis išvesties mokymasis, taip pat naujai kylančios teorinės idėjos, pvz., PAC-Bayes metodas ir suspaudimu pagrįstos ribos. skirtas pradedantiesiems arba pažengusiems bakalauro studijoms.
Knygoje nagrinėjamos temos
- Mašininio mokymosi skaičiavimo sudėtingumas
- ML algoritmai
- Neuronų tinklai
- PAC-Bayes požiūris
- Stochastinis gradiento nusileidimas
- Struktūrinio išvesties mokymasis
5. Įvadas į mašininį mokymąsi naudojant Python
Ar esate Python išmanantis duomenų mokslininkas, norintis studijuoti mašininį mokymąsi? Geriausia knyga pradėti mašininio mokymosi nuotykius yra Įvadas į mašininį mokymąsi naudojant Python: vadovas duomenų mokslininkams.
Naudodami knygą Įvadas į mašininį mokymąsi naudojant Python: vadovas duomenų mokslininkams, atrasite įvairių naudingų metodų, kaip kurti pritaikytas mašininio mokymosi programas.
Apžvelgsite kiekvieną esminį žingsnį, susijusį su Python ir Scikit-Learn paketo panaudojimu kuriant patikimas mašininio mokymosi programas.
Tvirtai susipažinus su „matplotlib“ ir „NumPy“ bibliotekomis, mokymasis bus daug lengvesnis.
Knygoje nagrinėjamos temos
- Šiuolaikiniai parametrų koregavimo ir modelio vertinimo metodai
- Programos ir pagrindinės mašininio mokymosi idėjos
- automatizuoti mokymosi metodai
- Teksto duomenų tvarkymo būdai
- Modelių grandinės ir darbo eigos inkapsuliavimo vamzdynai
- Duomenų atvaizdavimas po apdorojimo
6. Praktinis mašininis mokymasis su Sci-kit mokymusi, Keras ir Tensorflow
Tarp išsamiausių leidinių apie duomenų mokslą ir mašininį mokymąsi jis yra pilnas žinių. Patariama, kad tiek ekspertai, tiek naujokai daugiau studijuotų šia tema.
Nors šioje knygoje yra tik nedaug teorijos, ji paremta tvirtais pavyzdžiais, suteikiančiais jai vietą sąraše.
Šioje knygoje pateikiamos įvairios temos, įskaitant „scikit-learn“ mašininio mokymosi projektams ir „TensorFlow“, skirtą neuroniniams tinklams kurti ir mokyti.
Manome, kad perskaitę šią knygą būsite geriau pasirengę gilintis į ją gilus mokymasis ir spręsti praktines problemas.
Knygoje nagrinėjamos temos
- Išnagrinėkite mašininio mokymosi aplinką, ypač neuroninius tinklus
- Stebėkite mašininio mokymosi projekto pavyzdį nuo pradžios iki pabaigos naudodami Scikit-Learn.
- Išnagrinėkite keletą mokymo modelių, pvz., ansamblio techniką, atsitiktinius miškus, sprendimų medžius ir paramos vektorių mašinas.
- Kurkite ir mokykite neuroninius tinklus naudodami TensorFlow biblioteką.
- Tyrinėdami apsvarstykite konvoliucinius tinklus, pasikartojančius tinklus ir gilų mokymąsi nervinis tinklas dizaino.
- Sužinokite, kaip išplėsti ir lavinti giliuosius neuroninius tinklus.
7. Mašininis mokymasis įsilaužėliams
Patyrusiam programuotojui, besidominčiam duomenų analize, parašyta knyga „Mašinų mokymasis įsilaužėliams“. Šiame kontekste įsilaužėliai yra patyrę matematikai.
Tiems, kurie puikiai supranta R, ši knyga yra puikus pasirinkimas, nes didžioji jos dalis yra skirta R duomenų analizei. Be to, knygoje aptariama, kaip apdoroti duomenis naudojant išplėstinį R.
Įtraukus atitinkamas istorijas, pabrėžiama mašininio mokymosi algoritmų naudojimo vertė gali būti svarbiausias knygos „Mašinų mokymasis įsilaužėliams“ pardavimo taškas.
Knygoje pateikiama daug realaus pasaulio pavyzdžių, kad mokymasis mašininis mokymasis būtų paprastesnis ir greitesnis, o ne gilinantis į jos matematinę teoriją.
Knygoje nagrinėjamos temos
- Sukurkite naivų Bajeso klasifikatorių, kuris analizuoja tiesiog el. laiško turinį, kad nustatytų, ar tai yra šlamštas.
- Puslapių peržiūrų skaičiaus numatymas 1,000 XNUMX populiariausių svetainių naudojant tiesinę regresiją
- Ištirkite optimizavimo metodus, bandydami nulaužti paprastą raidžių šifrą.
8. Python mašininis mokymasis su pavyzdžiais
Ši knyga, padedanti suprasti ir sukurti įvairius mašininio mokymosi, giluminio mokymosi ir duomenų analizės metodus, tikriausiai yra vienintelė, kurioje pagrindinis dėmesys skiriamas tik Python kaip programavimo kalbai.
Ji apima keletą stiprių bibliotekų, skirtų įvairiems mašininio mokymosi algoritmams, pvz., Scikit-Learn, įgyvendinti. Tada Tensor Flow modulis naudojamas mokyti jus apie gilų mokymąsi.
Galiausiai, tai parodo daugybę duomenų analizės galimybių, kurias galima pasiekti naudojant mašininį ir gilųjį mokymąsi.
Tai taip pat moko jus apie daugybę metodų, kuriuos galima panaudoti siekiant padidinti sukurto modelio efektyvumą.
Knygoje nagrinėjamos temos
- Python ir mašininio mokymosi mokymasis: vadovas pradedančiajam
- Išnagrinėjus 2 naujienų grupių duomenų rinkinį ir „Naive Bayes“ el. pašto šiukšlių aptikimą
- Naudodami SVM, klasifikuokite naujienų istorijų temas Paspaudimų numatymas naudojant algoritmus, pagrįstus medžiais
- Paspaudimų rodiklio numatymas naudojant logistinę regresiją
- Regresijos algoritmų naudojimas prognozuojant aukščiausius akcijų kainų standartus
9. Python mašininis mokymasis
Python mašininio mokymosi knygoje paaiškinami mašininio mokymosi pagrindai ir jo reikšmė skaitmeninėje srityje. Tai mašininio mokymosi knyga pradedantiesiems.
Be to, knygoje aptariama daugybė mašininio mokymosi polaukių ir taikomųjų programų. Python programavimo principai ir kaip pradėti naudotis nemokama atvirojo kodo programavimo kalba taip pat aprašyti Python mašininio mokymosi knygoje.
Baigę mašininio mokymosi knygą, galėsite efektyviai nustatyti daugybę mašininio mokymosi užduočių naudodami Python kodavimą.
Knygoje nagrinėjamos temos
- Dirbtinio intelekto pagrindai
- sprendimų medis
- Logistinė regresija
- Giluminiai neuroniniai tinklai
- Python programavimo kalbos pagrindai
10. Mašininis mokymasis: tikimybinė perspektyva
Mašininis mokymasis: tikimybinė perspektyva – tai humoristinė mašininio mokymosi knyga, kurioje pateikiama nostalgiška spalvota grafika ir praktiniai, realūs pavyzdžiai iš tokių disciplinų kaip biologija, kompiuterinis matymas, robotika ir teksto apdorojimas.
Jame pilna atsitiktinės prozos ir pseudokodų esminiams algoritmams. Mašininis mokymasis: tikimybinė perspektyva, priešingai nei kituose mašininio mokymosi leidiniuose, kurie pateikiami kulinarinės knygos stiliumi ir aprašomi įvairūs euristiniai metodai, pagrindinis dėmesys skiriamas principiniam modeliu pagrįstam požiūriui.
Jame aiškiai ir suprantamai nurodomi ml modeliai, naudojant grafinius vaizdus. Remiantis vieningu, tikimybiniu požiūriu, šiame vadovėlyje pateikiamas išsamus ir savarankiškas įvadas į mašininio mokymosi sritį.
Turinys yra platus ir gilus, įskaitant pagrindinę pagrindinę medžiagą tokiomis temomis kaip tikimybė, optimizavimas ir tiesinė algebra, taip pat diskusiją apie šiuolaikinius pasiekimus šioje srityje, pvz., sąlyginius atsitiktinius laukus, L1 reguliavimą ir gilų mokymąsi.
Knyga parašyta paprasta, prieinama kalba, kurioje yra pagrindinių svarbių algoritmų pseudokodas.
Knygoje nagrinėjamos temos
- Tikimybė
- Gilus mokymasis
- L1 įteisinimas
- Optimizavimas
- Teksto apdorojimas
- Kompiuterinės vizijos programos
- Robotikos programos
11. Statistinio mokymosi elementai
Dėl savo konceptualios struktūros ir daugybės dalykų šis mašininio mokymosi vadovėlis dažnai pripažįstamas šioje srityje.
Ši knyga gali būti naudojama kaip nuoroda visiems, kuriems reikia atnaujinti tokias temas kaip neuroniniai tinklai ir testavimo metodai, taip pat paprastas įvadas į mašininį mokymąsi.
Knyga agresyviai verčia skaitytoją kiekviename žingsnyje atlikti savo eksperimentus ir tyrimus, todėl ji yra vertinga ugdant gebėjimus ir smalsumą, reikalingą mašininio mokymosi gebėjimų ar darbo pažangai.
Tai svarbi priemonė statistikams ir visiems, kurie domisi duomenų gavyba versle ar moksle. Prieš pradėdami šią knygą įsitikinkite, kad suprantate tiesinę algebrą.
Knygoje nagrinėjamos temos
- Prižiūrimas mokymasis (numatymas) į neprižiūrimą mokymąsi
- Neuronų tinklai
- Palaikykite vektorines mašinas
- Klasifikaciniai medžiai
- Stiprinimo algoritmai
12. Modelių atpažinimas ir mašininis mokymasis
Šioje knygoje galima nuodugniai ištirti modelių atpažinimo ir mašininio mokymosi pasaulius. Šiame leidinyje iš pradžių buvo pristatytas Bajeso požiūris į modelio atpažinimą.
Be to, knygoje nagrinėjami sudėtingi dalykai, kuriems reikalingas daugiamatis, duomenų mokslo ir pagrindinės tiesinės algebros supratimas.
Apie mašininį mokymąsi ir tikimybę informacinėje knygoje pateikiami skyriai su vis sudėtingesniu lygiu, remiantis duomenų rinkinių tendencijomis. Paprasti pavyzdžiai pateikiami prieš bendrą modelio atpažinimo įvadą.
Knygoje pateikiami apytikslių išvadų metodai, leidžiantys greitai atlikti aproksimaciją tais atvejais, kai tikslūs sprendimai yra nepraktiški. Nėra kitų knygų, kuriose būtų naudojami grafiniai modeliai, apibūdinantys tikimybių pasiskirstymą, tačiau taip yra.
Knygoje nagrinėjamos temos
- Bajeso metodai
- Apytikslių išvadų algoritmai
- Nauji modeliai, pagrįsti branduoliais
- Įvadas į pagrindinę tikimybių teoriją
- Įvadas į modelių atpažinimą ir mašininį mokymąsi
13. Mašininio mokymosi iš nuspėjamųjų duomenų analizės pagrindai
Jei įvaldėte mašininio mokymosi pagrindus ir norite pereiti prie nuspėjamosios duomenų analizės, ši knyga jums!!! Surandant modelius iš didžiulių duomenų rinkinių, mašinų mokymasis gali būti naudojamas prognozavimo modeliams kurti.
Šioje knygoje nagrinėjamas ML panaudojimo įgyvendinimas Nuspėjamoji duomenų analizė nuodugniai, įskaitant teorinius principus ir tikrus pavyzdžius.
Nepaisant to, kad pavadinimas „Mašininio mokymosi pagrindai nuspėjamajai duomenų analizei“ yra tiesiog gurkšnis, šioje knygoje bus aprašyta nuspėjamųjų duomenų analizės kelionė nuo duomenų iki įžvalgos iki išvados.
Jame taip pat aptariami keturi mašininio mokymosi metodai: informacija grįstas mokymasis, panašumu pagrįstas mokymasis, tikimybe grįstas mokymasis ir mokymasis klaidomis, kurių kiekvienas turi netechninį konceptualų paaiškinimą, po kurio seka matematiniai modeliai ir algoritmai su pavyzdžiais.
Knygoje aptariamos temos
- Informacija grįstas mokymasis
- Panašumu grįstas mokymasis
- Tikimybėmis pagrįstas mokymasis
- Klaidomis pagrįstas mokymasis
14. Taikomasis nuspėjamasis modeliavimas
Taikomasis nuspėjamasis modeliavimas nagrinėja visą nuspėjamojo modeliavimo procesą, pradedant nuo kritinių išankstinio duomenų apdorojimo, duomenų skaidymo ir modelio derinimo pagrindų etapų.
Tada darbe pateikiami aiškūs įvairių įprastinių ir naujausių regresijos ir klasifikavimo metodų aprašymai, daugiausia dėmesio skiriant realaus pasaulio duomenų iššūkių parodymui ir sprendimui.
Vadovas demonstruoja visus modeliavimo proceso aspektus su keliais praktiniais, realaus pasaulio pavyzdžiais, o kiekviename skyriuje pateikiamas išsamus R kodas kiekvienam proceso etapui.
Šis daugiafunkcis tomas gali būti naudojamas kaip įvadas į nuspėjamus modelius ir visą modeliavimo procesą, kaip informacinis vadovas praktikams arba kaip tekstas pažengusiems bakalauro ar magistrantūros lygio nuspėjamojo modeliavimo kursams.
Knygoje nagrinėjamos temos
- Regresijos technika
- Klasifikavimo technika
- Sudėtingi ML algoritmai
15. Mašininis mokymasis: algoritmų, kurie įprasmina duomenis, menas ir mokslas
Jei esate vidutinio lygio mašininio mokymosi ekspertas ir norite grįžti prie pagrindų, ši knyga kaip tik jums! Jis visiškai atsidėkoja už didžiulį mašininio mokymosi sudėtingumą ir gilumą, nepamirštant jo vienijančių principų (labai didelis pasiekimas!).
Mašininis mokymasis: algoritmų menas ir mokslas apima keletą vis sudėtingesnių atvejų tyrimų, taip pat daugybę pavyzdžių ir paveikslėlių (kad viskas būtų įdomu!).
Knyga taip pat apima daugybę loginių, geometrinių ir statistinių modelių, taip pat sudėtingų ir naujų dalykų, tokių kaip matricos faktorizavimas ir ROC analizė.
Knygoje nagrinėjamos temos
- Supaprastina mašininio mokymosi algoritmus
- Loginis modelis
- Geometrinis modelis
- Statistinis modelis
- ROC analizė
16. Duomenų gavyba: praktiniai mašininio mokymosi įrankiai ir metodai
Naudojant duomenų bazių sistemų, mašininio mokymosi ir statistikos tyrimo metodus, duomenų gavybos metodai leidžia mums rasti modelius dideliame duomenų kiekyje.
Turėtumėte gauti knygą Duomenų gavyba: praktiniai mašininio mokymosi įrankiai ir metodai, jei jums reikia konkrečiai ištirti duomenų gavybos metodus arba apskritai planuojate mokytis mašininio mokymosi.
Geriausioje knygoje apie mašininį mokymąsi daugiau dėmesio skiriama jos techninei pusei. Jame toliau gilinamasi į mašininio mokymosi technines subtilybes ir duomenų rinkimo bei įvairių įvesties ir išvesties duomenų naudojimo strategijas rezultatams įvertinti.
Knygoje nagrinėjamos temos
- Linijiniai modeliai
- grupavimas
- Statistinis modeliavimas
- Veikimo prognozavimas
- Duomenų gavybos metodų palyginimas
- Instancinis mokymasis
- Žinių reprezentavimas ir klasteriai
- Tradicinės ir modernios duomenų gavybos technologijos
17. Python duomenų analizei
Gebėjimas įvertinti mašininio mokymosi duomenis yra svarbiausias įgūdis, kurį turi turėti duomenų mokslininkas. Prieš kuriant ML modelį, kuris sukuria tikslią prognozę, didžioji jūsų darbo dalis apims duomenų tvarkymą, apdorojimą, valymą ir vertinimą.
Kad galėtumėte atlikti duomenų analizę, turite būti susipažinę su programavimo kalbomis, tokiomis kaip Pandas, NumPy, Ipython ir kt.
Jei norite dirbti duomenų mokslo ar mašininio mokymosi srityje, turite turėti galimybę manipuliuoti duomenimis.
Šiuo atveju tikrai turėtumėte perskaityti knygą Python for Data Analysis.
Knygoje nagrinėjamos temos
- Esminis „Python“ bibliotekos
- Pažangios pandos
- Duomenų analizės pavyzdžiai
- Duomenų valymas ir paruošimas
- Matematiniai ir statistiniai metodai
- Apibendrinimas ir aprašomosios statistikos skaičiavimas
18. Natūralios kalbos apdorojimas naudojant Python
Mašininio mokymosi sistemų pagrindas yra natūralus kalbos apdorojimas.
Knygoje Natūralios kalbos apdorojimas naudojant Python nurodoma, kaip panaudoti NLTK – mėgstamą Python modulių rinkinį ir įrankius, skirtus simboliniam ir statistiniam natūralios anglų kalbos ir NLP apdorojimui.
Knygoje „Natūralios kalbos apdorojimas naudojant Python“ pateikiamos veiksmingos „Python“ procedūros, kurios glaustai ir akivaizdžiai demonstruoja NLP.
Skaitytojai turi prieigą prie gerai anotuotų duomenų rinkinių, skirtų tvarkyti nestruktūrizuotus duomenis, teksto-lingvistinę struktūrą ir kitus į NLP susijusius elementus.
Knygoje nagrinėjamos temos
- Kaip veikia žmogaus kalba?
- Kalbinių duomenų struktūros
- Natūralios kalbos įrankių rinkinys (NLTK)
- Analizė ir semantinė analizė
- Populiarios kalbinės duomenų bazės
- Integruoti metodus iš dirbtinis intelektas ir lingvistika
19. Kolektyvinio intelekto programavimas
Toby Segaran „Kolektyvinio intelekto programavimas“, kuri laikoma viena iš geriausių knygų, padedančių suprasti mašininį mokymąsi, buvo parašyta 2007 m., prieš tai, kai duomenų mokslas ir mašininis mokymasis užėmė dabartinę pirmaujančių profesinių krypčių poziciją.
Knygoje „Python“ naudojamas kaip būdas skleisti savo žinias auditorijai. Programavimo kolektyvinis intelektas yra daugiau ml diegimo vadovas, o ne įvadas į mašininį mokymąsi.
Knygoje pateikiama informacija apie efektyvių ML algoritmų kūrimą duomenims iš programėlių rinkti, programavimą duomenims iš svetainių gauti ir surinktų duomenų ekstrapoliavimą.
Kiekviename skyriuje pateikiamos veiklos, skirtos aptartiems algoritmams išplėsti ir jų naudingumui didinti.
Knygoje nagrinėjamos temos
- Bajeso filtravimas
- Palaikykite vektorines mašinas
- Paieškos variklio algoritmai
- Būdai, kaip daryti prognozes
- Bendradarbiavimo filtravimo metodai
- Neneigiamos matricos faktorizacija
- Tobulėjantis problemų sprendimo intelektas
- Grupių ar modelių aptikimo metodai
20. Gilus mokymasis (adaptyviojo skaičiavimo ir mašininio mokymosi serija)
Kaip visi žinome, gilusis mokymasis yra patobulintas mašininio mokymosi būdas, leidžiantis kompiuteriams mokytis iš ankstesnio našumo ir didelio duomenų kiekio.
Naudodami mašininio mokymosi metodus taip pat turite būti susipažinę su gilaus mokymosi principais. Ši knyga, kuri laikoma gilaus mokymosi Biblija, bus labai naudinga šiuo atveju.
Trys gilaus mokymosi ekspertai šioje knygoje nagrinėja labai sudėtingas temas, kuriose gausu matematikos ir giluminio generavimo modelių.
Pateikiant matematinį ir konceptualų pagrindą, darbe aptariamos atitinkamos tiesinės algebros, tikimybių teorijos, informacijos teorijos, skaitmeninio skaičiavimo ir mašininio mokymosi idėjos.
Jame nagrinėjamos tokios programos, kaip natūralios kalbos apdorojimas, kalbos atpažinimas, kompiuterinis matymas, internetinių rekomendacijų sistemos, bioinformatika ir vaizdo žaidimai, ir aprašomi giluminio mokymosi metodai, kuriuos naudoja pramonės specialistai, pvz., giluminiai tinklai, reguliavimas ir optimizavimo algoritmai, konvoliuciniai tinklai ir praktinė metodika. .
Knygoje nagrinėjamos temos
- Skaitinis skaičiavimas
- Giluminio mokymosi tyrimas
- Kompiuterinio matymo technika
- Deep Feedforward tinklai
- Giluminių modelių mokymo optimizavimas
- Praktinė metodika
- Giluminio mokymosi tyrimas
Išvada
Šiame sąraše yra apibendrinta 20 geriausių mašininio mokymosi knygų, kurias galite naudoti norėdami tobulinti mašininį mokymąsi jums patinkančia kryptimi.
Galėsite sukurti tvirtą mašininio mokymosi patirties pagrindą ir nuorodų biblioteką, kurią galėsite dažnai naudoti dirbdami šioje srityje, jei skaitysite įvairius šiuos vadovėlius.
Būsite įkvėpti toliau mokytis, tobulėti ir turėti poveikį, net jei tik perskaitysite vieną knygą.
Kai esate pasirengęs ir kompetentingas kurti savo mašininio mokymosi algoritmus, atminkite, kad duomenys yra gyvybiškai svarbūs jūsų projekto sėkmei.
Palikti atsakymą