Saturs[Paslēpt][Rādīt]
Starp citu, mēs visi zinām, cik ātri pēdējos gados ir attīstījusies mašīnmācīšanās tehnoloģija. Mašīnmācība ir disciplīna, kas ir piesaistījusi vairāku korporāciju, akadēmisko aprindu un nozaru interesi.
Tādēļ es apspriedīšu dažas no labākajām mašīnmācības grāmatām, kuras inženierim vai iesācējam šodien vajadzētu izlasīt. Jūs visi noteikti esat piekrituši, ka grāmatu lasīšana nav tas pats, kas izmantot intelektu.
Grāmatu lasīšana palīdz mūsu prātam atklāt daudz jauna. Galu galā lasīšana ir mācīšanās. Pašapmācības atzīme ir ļoti jautra. Šajā rakstā tiks izceltas labākās šajā jomā pieejamās mācību grāmatas.
Šīs mācību grāmatas piedāvā pārbaudītu ievadu plašākā AI jomā, un tās bieži izmanto universitāšu kursos un iesaka gan akadēmiķi, gan inženieri.
Pat ja jums ir ļoti daudz mašīna mācīšanās pieredze, paņemt kādu no šīm mācību grāmatām varētu būt lielisks veids, kā uzlabot zināšanas. Galu galā mācīšanās ir nepārtraukts process.
1. Mašīnmācība absolūtiem iesācējiem
Jūs vēlētos studēt mašīnmācīšanos, bet nezināt, kā to izdarīt. Ir vairāki būtiski teorētiski un statistikas jēdzieni, kas jums būtu jāsaprot, pirms sākat episku ceļojumu uz mašīnmācīšanos. Un šī grāmata aizpilda šo vajadzību!
Tas piedāvā pilnīgus iesācējiem ar augsta līmeņa, piemērojams ievads mašīnmācībā. Grāmata Mašīnmācība absolūtiem iesācējiem ir viena no labākajām izvēlēm ikvienam, kas meklē visvienkāršāko mašīnmācības un saistīto ideju skaidrojumu.
Grāmatas daudzajiem ml algoritmiem ir pievienoti kodolīgi skaidrojumi un grafiski piemēri, lai palīdzētu lasītājiem saprast visu, kas tiek apspriests.
Grāmatā aplūkotās tēmas
- Pamati neironu tīkli
- Regresijas analīze
- Funkciju inženierija
- Klasterizācijas
- Savstarpēja validācija
- Datu tīrīšanas metodes
- Lēmumu koki
- Ansambļa modelēšana
2. Mašīnmācība manekeniem
Mašīnmācība var būt mulsinoša ideja parastajiem cilvēkiem. Tomēr tas ir nenovērtējams tiem no mums, kas ir zinoši.
Bez ML ir grūti pārvaldīt tādas problēmas kā tiešsaistes meklēšanas rezultāti, reāllaika reklāmas tīmekļa lapās, automatizācija vai pat surogātpasta filtrēšana (Jā!).
Rezultātā šī grāmata piedāvā vienkāršu ievadu, kas palīdzēs uzzināt vairāk par mašīnmācības mīklaino jomu. Izmantojot Machine Learning For Dummies, jūs uzzināsit, kā “runāt” tādās valodās kā Python un R, kas ļaus apmācīt datorus veikt modeļu atpazīšanu un datu analīzi.
Turklāt jūs uzzināsit, kā izmantot Python's Anaconda un R Studio, lai izstrādātu R.
Grāmatā aplūkotās tēmas
- Datu sagatavošana
- mašīnmācības pieejas
- Mašīnmācīšanās cikls
- Uzraudzīta un bez uzraudzības mācīšanās
- Mašīnmācīšanās sistēmu apmācība
- Mašīnmācīšanās metožu sasaiste ar rezultātiem
3. Simtlapu mašīnmācības grāmata
Vai ir iespējams aptvert visus mašīnmācīšanās aspektus mazāk nekā 100 lappusēs? Andra Burkova Simtlappušu mašīnmācības grāmata ir mēģinājums darīt to pašu.
Mašīnmācīšanās grāmata ir labi uzrakstīta, un to atbalsta slaveni domu līderi, tostarp Sujeet Varakhedi, eBay inženierzinātņu vadītājs un Pīters Norvigs, Google pētniecības direktors.
Tā ir labākā grāmata mašīnmācības iesācējiem. Pēc rūpīgas grāmatas izlasīšanas jūs varēsit izveidot un izprast sarežģītas AI sistēmas, gūt panākumus mašīnmācības intervijā un pat izveidot savu uz ML balstītu uzņēmumu.
Tomēr grāmata nav paredzēta pilnīgiem iesācējiem mašīnmācībā. Paskatieties kaut kur, ja meklējat kaut ko fundamentālāku.
Grāmatā aplūkotās tēmas
- Anatomija a mācību algoritms
- Uzraudzīta mācīšanās un bez uzraudzības
- Pastiprināšanas mācības
- Mašīnmācīšanās pamatalgoritmi
- Neironu tīklu un dziļās mācīšanās pārskats
4. Izpratne par mašīnmācīšanos
Sistemātisks ievads mašīnmācībā ir sniegts grāmatā Understanding Machine Learning. Grāmata dziļi iedziļinās mašīnmācības pamatidejās, skaitļošanas paradigmās un matemātiskajos atvasinājumos.
Plašs mašīnmācīšanās priekšmetu klāsts vienkāršā veidā tiek parādīts, izmantojot mašīnmācību. Grāmatā ir aprakstīti mašīnmācīšanās teorētiskie pamati, kā arī matemātiskie atvasinājumi, kas šos pamatus pārvērš noderīgos algoritmos.
Grāmatā ir izklāstīti pamati, pirms tiek aptverts plašs būtisku priekšmetu loks, kas nav aplūkoti iepriekšējās mācību grāmatās.
Šeit ir iekļauta diskusija par izliekuma un stabilitātes jēdzieniem un mācīšanās skaitļošanas sarežģītību, kā arī par nozīmīgām algoritmiskām paradigmām, piemēram, stohastiskām. gradienta nolaišanās, neironu tīkli un strukturētas izvades mācības, kā arī jaunas teorētiskās idejas, piemēram, PAC-Bayes pieeja un uz saspiešanu balstītas robežas. paredzēts iesācējiem vai pieredzējušiem studentiem.
Grāmatā aplūkotās tēmas
- Mašīnmācīšanās skaitļošanas sarežģītība
- ML algoritmi
- Neironu tīkli
- PAC-Bayes pieeja
- Stohastiskā gradienta nolaišanās
- Strukturētas izejas mācīšanās
5. Ievads mašīnmācībā ar Python
Vai esat Python zinošs datu zinātnieks, kurš vēlas pētīt mašīnmācīšanos? Labākā grāmata, ar ko sākt mašīnmācības piedzīvojumu, ir Ievads mašīnmācībā ar Python: rokasgrāmata datu zinātniekiem.
Izmantojot grāmatu Ievads mašīnmācībā ar Python: rokasgrāmata datu zinātniekiem, jūs atklāsiet dažādas noderīgas metodes pielāgotu mašīnmācīšanās programmu izveidei.
Jūs apskatīsit katru svarīgo darbību, kas saistīta ar Python un Scikit-Learn pakotnes izmantošanu, lai izveidotu uzticamas mašīnmācīšanās lietojumprogrammas.
Iegūstot pamatīgu izpratni par Matplotlib un NumPy bibliotēkām, mācīšanās būs daudz vienkāršāka.
Grāmatā aplūkotās tēmas
- Mūsdienu metodes parametru pielāgošanai un modeļu novērtēšanai
- Lietojumprogrammas un mašīnmācīšanās pamatidejas
- automatizētas mācīšanās metodes
- Teksta datu manipulācijas paņēmieni
- Modeļu ķēdes un darbplūsmas iekapsulēšanas cauruļvadi
- Datu attēlojums pēc apstrādes
6. Praktiska mašīnmācība ar Sci-kit mācībām, Keras un Tensorflow
Viena no visprecīzākajām publikācijām par datu zinātni un mašīnmācīšanos, tā ir pilna ar zināšanām. Ieteicams gan ekspertiem, gan iesācējiem vairāk izpētīt šo tēmu.
Lai gan šajā grāmatā ir tikai neliels daudzums teorijas, to atbalsta spēcīgi piemēri, piešķirot tai vietu sarakstā.
Šajā grāmatā ir iekļautas dažādas tēmas, tostarp scikit-learn mašīnmācības projektiem un TensorFlow neironu tīklu izveidei un apmācībai.
Pēc šīs grāmatas izlasīšanas mēs domājam, ka būsit labāk sagatavots, lai iedziļināties tajā dziļa mācīšanās un risināt praktiskas problēmas.
Grāmatā aplūkotās tēmas
- Izpētiet mašīnmācības ainavu, jo īpaši neironu tīklus
- Izsekojiet mašīnmācīšanās projekta paraugu no sākuma līdz beigām, izmantojot Scikit-Learn.
- Izpētiet vairākus apmācības modeļus, piemēram, ansambļa paņēmienus, nejaušus mežus, lēmumu kokus un atbalsta vektoru mašīnas.
- Izveidojiet un apmāciet neironu tīklus, izmantojot TensorFlow bibliotēku.
- Izpētes laikā apsveriet konvolucionālos tīklus, atkārtotus tīklus un dziļu pastiprināšanas mācīšanos neironu tīkls dizainu.
- Uzziniet, kā mērogot un apmācīt dziļos neironu tīklus.
7. Mašīnmācība hakeriem
Pieredzējušam programmētājam, kurš interesējas par datu analīzi, ir uzrakstīta grāmata Machine Learning for Hackers. Hakeri šajā kontekstā ir prasmīgi matemātiķi.
Cilvēkam, kam ir laba izpratne par R, šī grāmata ir lieliska izvēle, jo lielākā daļa tās ir vērsta uz datu analīzi R. Grāmatā ir apskatīts arī tas, kā manipulēt ar datiem, izmantojot uzlaboto R.
Atbilstošu gadījumu stāstu iekļaušana uzsver mašīnmācīšanās algoritmu izmantošanas vērtību, var būt grāmatas Mašīnmācīšanās hakeriem nozīmīgākais pārdošanas punkts.
Grāmatā ir sniegti daudzi reāli piemēri, lai padarītu mašīnmācīšanos vienkāršāku un ātrāku, nevis iedziļināties tās matemātiskajā teorijā.
Grāmatā aplūkotās tēmas
- Izveidojiet naivu Bajesa klasifikatoru, kas analizē vienkārši e-pasta saturu, lai noteiktu, vai tas ir surogātpasts.
- Lapu skatījumu skaita prognozēšana 1,000 populārākajām vietnēm, izmantojot lineāro regresiju
- Izpētiet optimizācijas metodes, mēģinot uzlauzt vienkāršu burtu šifru.
8. Python mašīnmācība ar piemēriem
Šī grāmata, kas palīdz izprast un izveidot dažādas mašīnmācīšanās, padziļinātās mācīšanās un datu analīzes metodes, visticamāk, ir vienīgā, kas koncentrējas tikai uz Python kā programmēšanas valodu.
Tas aptver vairākas spēcīgas bibliotēkas dažādu mašīnmācīšanās algoritmu, piemēram, Scikit-Learn, ieviešanai. Tensor Flow modulis tiek izmantots, lai mācītu jūs par dziļu mācīšanos.
Visbeidzot, tas parāda daudzās datu analīzes iespējas, ko var sasniegt, izmantojot mašīnu un dziļo mācīšanos.
Tas arī māca jums daudzas metodes, kuras var izmantot, lai palielinātu izveidotā modeļa efektivitāti.
Grāmatā aplūkotās tēmas
- Python un mašīnmācības apguve: rokasgrāmata iesācējiem
- Pārbaudot 2 intereškopas datu kopu un Naive Bayes surogātpasta noteikšanu
- Izmantojot SVM, klasificējiet ziņu tēmas Klikšķu prognozēšana, izmantojot algoritmus, kuru pamatā ir koki
- Vidējais klikšķu skaita prognozēšana, izmantojot loģistikas regresiju
- Regresijas algoritmu izmantošana akciju cenu augstāko standartu prognozēšanai
9. Python mašīnmācība
Grāmatā Python Machine Learning ir izskaidroti mašīnmācīšanās pamati, kā arī tās nozīme digitālajā jomā. Tā ir mašīnmācības grāmata iesācējiem.
Grāmatā ir apskatītas arī daudzas mašīnmācīšanās apakšlaukas un lietojumprogrammas. Python programmēšanas principi un tas, kā sākt ar bezmaksas un atvērtā koda programmēšanas valodu, ir arī aprakstīti Python mašīnmācības grāmatā.
Pēc mašīnmācīšanās grāmatas pabeigšanas varēsit efektīvi izveidot vairākus mašīnmācīšanās darbus, izmantojot Python kodēšanu.
Grāmatā aplūkotās tēmas
- Mākslīgā intelekta pamati
- lēmumu koks
- Loģistiskā regresija
- Padziļināti neironu tīkli
- Python programmēšanas valodas pamati
10. Mašīnmācība: varbūtības perspektīva
Mašīnmācība: varbūtības perspektīva ir humoristiska mašīnmācīšanās grāmata, kurā ir nostalģiskas krāsu grafikas un praktiski, reāli piemēri no tādām disciplīnām kā bioloģija, datorredze, robotika un teksta apstrāde.
Tas ir pilns ar ikdienišķu prozu un būtisku algoritmu pseidokodu. Mašīnmācība: varbūtības perspektīva, atšķirībā no citām mašīnmācības publikācijām, kas tiek prezentētas pavārgrāmatas stilā un apraksta dažādas heiristiskas pieejas, koncentrējas uz principiālu, uz modeļiem balstītu pieeju.
Tajā skaidrā un saprotamā veidā ir norādīti ml modeļi, izmantojot grafiskus attēlojumus. Pamatojoties uz vienotu varbūtības pieeju, šī mācību grāmata sniedz pilnīgu un patstāvīgu ievadu mašīnmācības jomā.
Saturs ir gan plašs, gan dziļš, ietverot fundamentālus pamatmateriālus par tādām tēmām kā varbūtība, optimizācija un lineārā algebra, kā arī diskusiju par mūsdienu sasniegumiem tādā jomā kā nosacīti nejauši lauki, L1 regularizācija un dziļa mācīšanās.
Grāmata ir uzrakstīta ikdienišķā, saprotamā valodā, kas satur galveno nozīmīgo algoritmu pseidokodu.
Grāmatā aplūkotās tēmas
- Varbūtība
- Dziļa mācīšanās
- L1 legalizācija
- Optimizācija
- Teksta apstrāde
- Computer Vision lietojumprogrammas
- Robotikas lietojumprogrammas
11. Statistikas mācīšanās elementi
Šī mašīnmācīšanās mācību grāmata šajā jomā bieži tiek atzīta, pateicoties tās konceptuālajam ietvaram un plašajam priekšmetu klāstam.
Šo grāmatu var izmantot kā atsauci ikvienam, kam nepieciešams atsvaidzināt tādas tēmas kā neironu tīkli un testēšanas metodes, kā arī vienkāršu ievadu mašīnmācībā.
Grāmata agresīvi mudina lasītāju veikt savus eksperimentus un izmeklēšanu ik uz soļa, padarot to vērtīgu, lai attīstītu spējas un zinātkāri, kas nepieciešamas, lai panāktu atbilstošus uzlabojumus mašīnmācīšanās spējā vai darbā.
Tas ir svarīgs rīks statistiķiem un ikvienam, kas interesējas par datu ieguvi biznesā vai zinātnē. Pirms šīs grāmatas sākšanas pārliecinieties, ka saprotat vismaz lineāro algebru.
Grāmatā aplūkotās tēmas
- Uzraudzīta mācīšanās (prognozēšana) uz nekontrolētu mācīšanos
- Neironu tīkli
- Atbalsta vektora mašīnas
- Klasifikācijas koki
- Uzlabošanas algoritmi
12. Modeļu atpazīšana un mašīnmācīšanās
Šajā grāmatā var rūpīgi izpētīt modeļu atpazīšanas un mašīnmācīšanās pasauli. Šajā publikācijā sākotnēji tika prezentēta Bajesa pieeja modeļu atpazīšanai.
Turklāt grāmatā ir aplūkoti sarežģīti priekšmeti, kuriem nepieciešama praktiska izpratne par daudzfaktoru, datu zinātni un fundamentālo lineāro algebru.
Par mašīnmācīšanos un varbūtību atsauces grāmatā ir piedāvātas nodaļas ar pakāpeniski grūtāku sarežģītības līmeni, pamatojoties uz datu kopu tendencēm. Vienkārši piemēri ir sniegti pirms vispārīga ievada paraugu atpazīšanā.
Grāmata piedāvā aptuvenu secinājumu izdarīšanas paņēmienus, kas ļauj ātri veikt tuvinājumus gadījumos, kad precīzi risinājumi nav praktiski. Nav citu grāmatu, kas izmanto grafiskus modeļus, lai aprakstītu varbūtības sadalījumu, taču tas tiek darīts.
Grāmatā aplūkotās tēmas
- Bajesa metodes
- Aptuveno secinājumu algoritmi
- Jauni modeļi, kuru pamatā ir kodoli
- Ievads varbūtības teorijā
- Ievads modeļu atpazīšanā un mašīnmācībā
13. Mašīnmācīšanās pamati no paredzamās datu analīzes
Ja esat apguvis mašīnmācīšanās pamatus un vēlaties pāriet uz paredzamo datu analīzi, šī grāmata ir domāta jums!!! Meklējot modeļus no masveida datu kopām, mašīnmācīšanos var izmantot prognozēšanas modeļu izstrādei.
Šajā grāmatā ir aplūkota ML izmantošanas ieviešana Prognozējošā datu analīze padziļināti, iekļaujot gan teorētiskos principus, gan reālus piemērus.
Neraugoties uz to, ka nosaukums “Mašīnmācīšanās pamati prognozējošai datu analīzei” ir īsts kumoss, šajā grāmatā būs izklāstīts Prognozējošās datu analīzes ceļš no datiem līdz ieskatam līdz secinājumam.
Tajā aplūkotas arī četras mašīnmācīšanās pieejas: uz informāciju balstīta mācīšanās, uz līdzību balstīta mācīšanās, uz varbūtību balstīta mācīšanās un uz kļūdām balstīta mācīšanās, katrai no tām ir netehnisks konceptuāls skaidrojums, kam seko matemātiski modeļi un algoritmi ar piemēriem.
Grāmatā aplūkotās tēmas
- Uz informāciju balstīta mācīšanās
- Uz līdzību balstīta mācīšanās
- Uz varbūtību balstīta mācīšanās
- Uz kļūdām balstīta mācīšanās
14. Lietišķā paredzamā modelēšana
Lietišķā paredzamā modelēšana pārbauda visu paredzamās modelēšanas procesu, sākot ar datu pirmapstrādes, datu sadalīšanas un modeļa regulēšanas pamatu kritiskajām fāzēm.
Pēc tam darbs sniedz skaidrus aprakstus par dažādām tradicionālajām un jaunākajām regresijas un klasifikācijas pieejām, koncentrējoties uz reālās pasaules datu problēmu parādīšanu un risināšanu.
Rokasgrāmatā ir parādīti visi modelēšanas procesa aspekti ar vairākiem praktiskiem, reāliem piemēriem, un katrā nodaļā ir iekļauts visaptverošs R kods katram procesa posmam.
Šo daudzfunkcionālo sējumu var izmantot kā ievadu prognozējošajos modeļos un visā modelēšanas procesā, kā atsauces rokasgrāmatu praktiķiem vai kā tekstu progresīviem bakalaura vai maģistra līmeņa prognozēšanas modelēšanas kursiem.
Grāmatā aplūkotās tēmas
- Tehniskā regresija
- Klasifikācijas tehnika
- Sarežģīti ML algoritmi
15. Mašīnmācība: māksla un zinātne par algoritmiem, kas rada jēgu datiem
Ja esat mašīnmācības vidējais līmenis vai eksperts un vēlaties atgriezties pie pamatiem, šī grāmata ir paredzēta jums! Tas pilnībā apliecina mašīnmācīšanās milzīgo sarežģītību un dziļumu, vienlaikus neaizmirstot tās vienojošos principus (diezgan liels sasniegums!).
Mašīnmācība: Algoritmu māksla un zinātne ietver vairākus gadījumu izpēti par pieaugošu sarežģītību, kā arī daudzus piemērus un attēlus (lai lietas būtu interesantas!).
Grāmata aptver arī plašu loģisko, ģeometrisko un statistisko modeļu klāstu, kā arī sarežģītus un jaunus priekšmetus, piemēram, matricas faktorizāciju un ROC analīzi.
Grāmatā aplūkotās tēmas
- Vienkāršo mašīnmācīšanās algoritmus
- Loģiskais modelis
- Ģeometriskais modelis
- Statistiskais modelis
- ROC analīze
16. Datu ieguve: praktiski mašīnmācīšanās rīki un metodes
Izmantojot datu bāzu sistēmu, mašīnmācīšanās un statistikas izpētes pieejas, datu ieguves metodes ļauj mums atrast modeļus milzīgā datu apjomā.
Jums vajadzētu iegūt grāmatu Data Mining: Practical Machine Learning Tools and Techniques, ja jums ir īpaši jāizpēta datu ieguves metodes vai plānojat apgūt mašīnmācīšanos kopumā.
Labākā grāmata par mašīnmācīšanos vairāk koncentrējas uz tās tehnisko pusi. Tajā sīkāk aplūkotas mašīnmācīšanās tehniskās sarežģītības un stratēģijas datu vākšanai un dažādu ievades un izvadu izmantošanai, lai novērtētu rezultātus.
Grāmatā aplūkotās tēmas
- Lineārie modeļi
- Klasterizācijas
- Statistiskā modelēšana
- Veiktspējas prognozēšana
- Datu ieguves metožu salīdzināšana
- Uz instanci balstīta mācīšanās
- Zināšanu reprezentācija un kopas
- Tradicionālās un modernās datu ieguves metodes
17. Python datu analīzei
Spēja novērtēt mašīnmācībā izmantotos datus ir vissvarīgākā prasme, kas ir jābūt datu zinātniekam. Pirms izstrādāt ML modeli, kas nodrošina precīzu prognozi, lielākā daļa jūsu darba būs datu apstrāde, apstrāde, tīrīšana un novērtēšana.
Lai veiktu datu analīzi, jums ir jāpārzina programmēšanas valodas, piemēram, Pandas, NumPy, Ipython un citas.
Ja vēlaties strādāt datu zinātnē vai mašīnmācībā, jums ir jābūt iespējai manipulēt ar datiem.
Šajā gadījumā noteikti vajadzētu izlasīt grāmatu Python for Data Analysis.
Grāmatā aplūkotās tēmas
- būtisks Pitona bibliotēkas
- Uzlabotas pandas
- Datu analīzes piemēri
- Datu tīrīšana un sagatavošana
- Matemātiskās un statistikas metodes
- Aprakstošās statistikas apkopošana un aprēķināšana
18. Dabiskās valodas apstrāde ar Python
Mašīnmācīšanās sistēmu pamats ir dabiskā valodas apstrāde.
Grāmatā Dabiskās valodas apstrāde ar Python ir sniegti norādījumi par to, kā izmantot NLTK — populāru Python moduļu un rīku kolekciju simboliskai un statistiskai dabiskās valodas apstrādei angļu valodā un NLP kopumā.
Grāmatā Dabiskās valodas apstrāde ar Python ir sniegtas efektīvas Python rutīnas, kas kodolīgā, acīmredzamā veidā parāda NLP.
Lasītājiem ir piekļuve labi anotētām datu kopām, lai apstrādātu nestrukturētus datus, teksta lingvistisko struktūru un citus uz NLP vērstus elementus.
Grāmatā aplūkotās tēmas
- Kā darbojas cilvēka valoda?
- Lingvistisko datu struktūras
- Dabiskās valodas rīkkopa (NLTK)
- Parsēšana un semantiskā analīze
- Populāras lingvistiskās datu bāzes
- Integrēt metodes no mākslīgais intelekts un valodniecība
19. Kolektīvā intelekta programmēšana
Tobija Segarana grāmata Kolektīvais programmēšana, kas tiek uzskatīta par vienu no labākajām grāmatām, kas palīdz izprast mašīnmācīšanos, tika uzrakstīta 2007. gadā, daudzus gadus pirms datu zinātnes un mašīnmācīšanās ieguva savu pašreizējo vadošo profesionālo ceļu.
Grāmata izmanto Python kā metodi savas pieredzes izplatīšanai auditorijai. Programmēšanas kolektīvais intelekts ir vairāk rokasgrāmata ml ieviešanai, nevis ievads mašīnmācībā.
Grāmata sniedz informāciju par efektīvu ML algoritmu izstrādi datu vākšanai no lietotnēm, programmēšanu datu iegūšanai no vietnēm un savākto datu ekstrapolēšanu.
Katrā nodaļā ir ietvertas aktivitātes apspriesto algoritmu paplašināšanai un to lietderības uzlabošanai.
Grāmatā aplūkotās tēmas
- Bajesa filtrēšana
- Atbalsta vektora mašīnas
- Meklētājprogrammu algoritmi
- Veidi, kā izteikt prognozes
- Sadarbības filtrēšanas metodes
- Nenegatīva matricas faktorizācija
- Attīstās inteliģence problēmu risināšanai
- Grupu vai modeļu noteikšanas metodes
20. Deep Learning (adaptīvās skaitļošanas un mašīnmācīšanās sērija)
Kā mēs visi zinām, dziļā mācīšanās ir uzlabots mašīnmācīšanās veids, kas ļauj datoriem mācīties no pagātnes veiktspējas un liela datu apjoma.
Izmantojot mašīnmācīšanās paņēmienus, jums arī jāpārzina dziļās mācīšanās principi. Šajā gadījumā šī grāmata, kas tiek uzskatīta par dziļas mācīšanās Bībeli, būs ļoti noderīga.
Trīs dziļās mācīšanās eksperti aptver ļoti sarežģītas tēmas, kas šajā grāmatā ir piepildītas ar matemātiku un dziļi ģenerējošiem modeļiem.
Nodrošinot matemātisko un konceptuālo bāzi, darbā tiek apspriestas atbilstošas idejas lineārajā algebrā, varbūtību teorijā, informācijas teorijā, skaitliskajos aprēķinos un mašīnmācībā.
Tajā tiek pētītas tādas lietojumprogrammas kā dabiskās valodas apstrāde, runas atpazīšana, datorredze, tiešsaistes ieteikumu sistēmas, bioinformātika un videospēles un aprakstītas padziļinātas mācīšanās metodes, ko izmanto nozares praktiķi, piemēram, dziļie pārvades tīkli, regularizācijas un optimizācijas algoritmi, konvolucionālie tīkli un praktiskā metodoloģija. .
Grāmatā aplūkotās tēmas
- Ciparu skaitļošana
- Dziļās mācīšanās izpēte
- Datorredzes tehnikas
- Deep Feedforward tīkli
- Optimizācija dziļo modeļu apmācībai
- Praktiskā metodoloģija
- Dziļās mācīšanās izpēte
Secinājumi
Šajā sarakstā ir apkopotas 20 populārākās mašīnmācības grāmatas, kuras varat izmantot, lai virzītu mašīnmācīšanos sev vēlamajā virzienā.
Jūs varēsiet izveidot stabilu mašīnmācīšanās zināšanu pamatu un uzziņu bibliotēku, ko varēsit bieži izmantot, strādājot šajā jomā, ja lasīsit dažādas šīs mācību grāmatas.
Jūs gūsit iedvesmu turpināt mācīties, kļūt labākiem un gūt efektu, pat ja izlasīsit tikai vienu grāmatu.
Kad esat gatavs un kompetents izstrādāt savus mašīnmācīšanās algoritmus, ņemiet vērā, ka dati ir ļoti svarīgi jūsu projekta panākumiem.
Atstāj atbildi