Cuprins[Ascunde][Spectacol]
Apropo, suntem cu toții conștienți de cât de repede s-a dezvoltat tehnologia de învățare automată în ultimii câțiva ani. Învățarea automată este o disciplină care a atras interesul mai multor corporații, cadre academice și sectoare.
Din acest motiv, voi discuta despre unele dintre cele mai grozave cărți despre învățarea automată pe care un inginer sau un începător ar trebui să le citească astăzi. Trebuie să fi fost de acord cu toții că citirea cărților nu este același lucru cu folosirea intelectului.
Citirea cărților ne ajută mintea să descopere o mulțime de lucruri noi. Până la urmă, citirea înseamnă învățare. O etichetă de auto-învățare este foarte distractiv. Cele mai bune manuale disponibile în domeniu vor fi evidențiate în acest articol.
Următoarele manuale oferă o introducere încercată și adevărată în domeniul mai larg al AI și sunt adesea folosite în cursurile universitare și sunt recomandate deopotrivă de cadre universitare și de ingineri.
Chiar dacă ai o tonă de masina de învățare experiență, ridicarea unuia dintre aceste manuale ar putea fi o modalitate grozavă de a perfecționa. La urma urmei, învățarea este un proces continuu.
1. Învățare automată pentru începători absoluti
Ați dori să studiați învățarea automată, dar nu știți cum să o faceți. Există câteva concepte teoretice și statistice esențiale pe care ar trebui să le înțelegeți înainte de a vă începe călătoria epică în învățarea automată. Și această carte umple această nevoie!
Oferă începători complet cu un nivel înalt, aplicabil introducere în învățarea automată. Cartea Machine Learning for Absolute Beginners este una dintre cele mai bune alegeri pentru oricine care caută cea mai simplificată explicație a machine learning și a ideilor asociate.
Numeroșii algoritmi ml ai cărții sunt însoțiți de explicații concise și exemple grafice pentru a ajuta cititorii să înțeleagă tot ceea ce este discutat.
Subiecte abordate în carte
- Elementele de bază ale rețele neuronale
- Analiza regresiei
- Ingineria caracteristicilor
- clustering
- Validare încrucișată
- Tehnici de curățare a datelor
- Arbori de decizie
- Modelarea ansamblului
2. Învățare automată pentru manechini
Învățarea automată ar putea fi o idee confuză pentru oamenii obișnuiți. Cu toate acestea, este neprețuit pentru cei dintre noi cunoscători.
Fără ML, este greu de gestionat probleme precum rezultatele căutării online, reclamele în timp real pe paginile web, automatizarea sau chiar filtrarea spam-ului (Da!).
Drept urmare, această carte vă oferă o introducere simplă care vă va ajuta să aflați mai multe despre tărâmul enigmatic al învățării automate. Cu ajutorul Machine Learning For Dummies, veți învăța cum să „vorbiți” limbi precum Python și R, ceea ce vă va permite să instruiți computerele să facă recunoașterea modelelor și analiza datelor.
În plus, veți învăța cum să utilizați Anaconda și R Studio de la Python pentru a dezvolta în R.
Subiecte abordate în carte
- Pregătirea datelor
- abordări pentru învățarea automată
- Ciclul de învățare automată
- Învățare supravegheată și nesupravegheată
- Instruirea sistemelor de învățare automată
- Legarea metodelor de învățare automată de rezultate
3. Cartea de învățare automată cu o sută de pagini
Este fezabil să acoperiți toate aspectele învățării automate în mai puțin de 100 de pagini? Cartea de învățare automată a lui Andriy Burkov este o încercare de a face același lucru.
Cartea de învățare automată este bine scrisă și susținută de lideri de gândire renumiți, inclusiv Sujeet Varakhedi, șef de inginerie la eBay și Peter Norvig, director de cercetare la Google.
Este cea mai grozavă carte pentru un începător în învățarea automată. După ce ați citit cu atenție cartea, veți putea să construiți și să înțelegeți sisteme AI sofisticate, să reușiți un interviu de învățare automată și chiar să vă lansați propria companie bazată pe ML.
Cu toate acestea, cartea nu este destinată începătorilor completi în învățarea automată. Căutați undeva dacă căutați ceva mai fundamental.
Subiecte abordate în carte
- Anatomia a algoritm de învățare
- Învățare supravegheată și învățare nesupravegheată
- Consolidarea învățării
- Algoritmi fundamentali ai Machine Learning
- Prezentare generală asupra rețelelor neuronale și a învățării profunde
4. Înțelegerea învățării prin mașini
O introducere sistematică în învățarea automată este oferită în cartea Înțelegerea învățării automate. Cartea se adâncește în ideile fundamentale, paradigmele computaționale și derivațiile matematice ale învățării automate.
O gamă largă de subiecte de învățare automată este prezentată într-un mod simplu de învățarea automată. Bazele teoretice ale învățării automate sunt descrise în carte, împreună cu derivațiile matematice care transformă aceste baze în algoritmi utili.
Cartea prezintă elementele fundamentale înainte de a acoperi o gamă largă de subiecte cruciale care nu au fost acoperite de manualele anterioare.
Incluse în aceasta sunt o discuție despre conceptele de convexitate și stabilitate și complexitatea computațională a învățării, precum și paradigme algoritmice semnificative, cum ar fi cele stocastice. coborâre în gradient, rețele neuronale și învățarea structurată a rezultatelor, precum și idei teoretice nou apărute, cum ar fi abordarea PAC-Bayes și limitele bazate pe compresie. conceput pentru absolvenții începători sau studenții avansați.
Subiecte abordate în carte
- Complexitatea computațională a învățării automate
- Algoritmi ML
- Rețele neuronale
- Abordarea PAC-Bayes
- Coborâre a gradientului stocastic
- Învățare structurată cu rezultate
5. Introducere în învățarea automată cu Python
Sunteți un om de știință de date expert în Python și dorește să studieze învățarea automată? Cea mai bună carte cu care să vă începeți aventura de învățare automată este Introducere în învățarea automată cu Python: un ghid pentru cercetătorii de date.
Cu ajutorul cărții Introduction to Machine Learning with Python: A Guide for Data Scientists, veți descoperi o varietate de tehnici utile pentru crearea de programe personalizate de învățare automată.
Veți acoperi fiecare pas crucial implicat în utilizarea Python și a pachetului Scikit-Learn pentru a construi aplicații de învățare automată de încredere.
Obținerea unei înțelegeri solide a bibliotecilor matplotlib și NumPy va face învățarea mult mai ușoară.
Subiecte abordate în carte
- Tehnici moderne pentru ajustarea parametrilor și evaluarea modelului
- Aplicații și idei de bază de învățare automată
- tehnici de învățare automată
- Tehnici de manipulare a datelor text
- Conducte de înlănțuire a modelului și de încapsulare a fluxului de lucru
- Reprezentarea datelor după prelucrare
6. Învățare automată practică cu Sci-kit Learn, Keras și Tensorflow
Printre cele mai amănunțite publicații despre știința datelor și învățarea automată, este plin de cunoștințe. Se recomandă ca experții și începătorii să studieze mai mult despre acest subiect.
Deși această carte conține doar o mică cantitate de teorie, este susținută de exemple puternice, dându-i un loc pe listă.
Această carte include o varietate de subiecte, inclusiv scikit-learn pentru proiecte de învățare automată și TensorFlow pentru crearea și antrenamentul rețelelor neuronale.
După citirea acestei cărți, credem că vei fi mai bine pregătit pentru a aprofunda în continuare învățare profundă și să se ocupe de probleme practice.
Subiecte abordate în carte
- Examinați peisajul învățării automate, în special rețelele neuronale
- Urmăriți un exemplu de proiect de învățare automată de la început până la încheiere folosind Scikit-Learn.
- Examinați mai multe modele de antrenament, cum ar fi tehnici de ansamblu, păduri aleatorii, arbori de decizie și mașini vectori de sprijin.
- Creați și antrenați rețele neuronale utilizând biblioteca TensorFlow.
- Luați în considerare rețelele convoluționale, rețelele recurente și învățarea prin consolidare profundă în timp ce explorați plasă neuronală desene.
- Aflați cum să scalați și să antrenați rețele neuronale profunde.
7. Învățare automată pentru hackeri
Pentru programatorul experimentat interesat de analiza datelor, este scrisă cartea Machine Learning for Hackers. Hackerii sunt matematicieni pricepuți în acest context.
Pentru cineva cu o înțelegere solidă a R, această carte este o alegere excelentă, deoarece cea mai mare parte este centrată pe analiza datelor în R. În plus, cartea este abordată cum să manipulați datele folosind R avansat.
Includerea unor povești de caz pertinente subliniază valoarea utilizării algoritmilor de învățare automată care poate fi cel mai important punct de vânzare al cărții Machine Learning for Hackers.
Cartea oferă multe exemple din lumea reală pentru a face învățarea învățarea automată mai simplă și mai rapidă, mai degrabă decât să aprofundeze teoria sa matematică a acesteia.
Subiecte abordate în carte
- Creați un clasificator bayesian naiv care analizează pur și simplu conținutul unui e-mail pentru a determina dacă este spam.
- Predicția numărului de vizualizări de pagină pentru primele 1,000 de site-uri web folosind regresia liniară
- Investigați metodele de optimizare încercând să spargeți un cifr de litere simplu.
8. Învățare automată Python cu exemple
Această carte, care vă ajută să înțelegeți și să creați diverse metode de învățare automată, învățare profundă și analiză a datelor, este probabil singura care se concentrează doar pe Python ca limbaj de programare.
Acesta acoperă mai multe biblioteci puternice pentru implementarea diferiților algoritmi de învățare automată, cum ar fi Scikit-Learn. Modulul Tensor Flow este apoi folosit pentru a vă învăța despre învățarea profundă.
În cele din urmă, demonstrează numeroasele oportunități de analiză a datelor care pot fi obținute folosind învățarea automată și deep learning.
De asemenea, vă învață numeroasele tehnici care pot fi utilizate pentru a crește eficacitatea modelului pe care îl creați.
Subiecte abordate în carte
- Învățarea Python și Machine Learning: Un ghid pentru începători
- Examinarea setului de date a 2 grupuri de știri și detectarea e-mailurilor spam Naive Bayes
- Folosind SVM-uri, clasificați subiectele știrilor Predicția clicurilor folosind algoritmi bazați pe arbori
- Predicția ratei de clic folosind regresia logistică
- Utilizarea algoritmilor de regresie pentru a prognoza cele mai înalte standarde ale prețurilor acțiunilor
9. Învățare automată Python
Cartea Python Machine Learning explică elementele fundamentale ale învățării automate, precum și semnificația acesteia în domeniul digital. Este o carte de învățare automată pentru începători.
În plus, în carte sunt acoperite numeroasele subdomenii și aplicații ale învățării automate. Principiile programării Python și cum să începeți cu limbajul de programare gratuit și open-source sunt, de asemenea, tratate în cartea Python Machine Learning.
După terminarea cărții de învățare automată, veți putea stabili în mod eficient o serie de joburi de învățare automată folosind codarea Python.
Subiecte abordate în carte
- Fundamentele inteligenței artificiale
- un arbore de decizie
- Regresie logistică
- Rețele neuronale aprofundate
- Fundamentele limbajului de programare Python
10. Învățare automată: o perspectivă probabilistică
Învățare automată: o perspectivă probabilistică este o carte plină de umor, care conține grafică color nostalgică și exemple practice, din lumea reală, din discipline precum biologia, viziunea computerizată, robotica și procesarea textului.
Este plin de proză casual și pseudocod pentru algoritmi esențiali. Învățarea automată: o perspectivă probabilistică, spre deosebire de alte publicații de învățare automată care sunt prezentate în stilul unei cărți de bucate și descriu diverse abordări euristice, se concentrează pe o abordare bazată pe modele bazate pe principii.
Specifică modele ml folosind reprezentări grafice într-un mod clar și ușor de înțeles. Bazat pe o abordare unificată, probabilistică, acest manual oferă o introducere completă și autonomă în domeniul învățării automate.
Conținutul este atât larg, cât și profund, incluzând materiale fundamentale despre subiecte precum probabilitatea, optimizarea și algebra liniară, precum și o discuție despre progresele contemporane în domeniu, cum ar fi câmpurile aleatoare condiționate, regularizarea L1 și învățarea profundă.
Cartea este scrisă într-un limbaj obișnuit, accesibil, care conține pseudo-cod pentru principalii algoritmi semnificativi.
Subiecte abordate în carte
- Probabilitate
- Invatare profunda
- Regularizarea L1
- Optimizare
- Prelucrarea textului
- Aplicații Computer Vision
- Aplicații de robotică
11. Elementele învăţării statistice
Pentru cadrul său conceptual și o mare varietate de subiecte, acest manual de învățare automată este adesea recunoscut în domeniu.
Această carte poate fi folosită ca referință pentru oricine are nevoie să perfecționeze subiecte precum rețelele neuronale și tehnicile de testare, precum și o introducere simplă în învățarea automată.
Cartea îl împinge agresiv pe cititor să-și facă propriile experimente și investigații la fiecare pas, făcând-o valoroasă pentru cultivarea abilităților și curiozității necesare pentru a face progrese pertinente într-o capacitate sau un loc de muncă de învățare automată.
Este un instrument important pentru statisticieni și pentru oricine este interesat de extragerea datelor în afaceri sau știință. Asigurați-vă că înțelegeți cel puțin algebra liniară înainte de a începe această carte.
Subiecte abordate în carte
- Învățare supravegheată (predicție) până la învățare nesupravegheată
- Rețele neuronale
- Suporta mașini vectoriale
- Arbori de clasificare
- Amplificarea algoritmilor
12. Recunoașterea modelelor și învățarea automată
Lumile recunoașterii modelelor și învățării automate pot fi explorate în detaliu în această carte. Abordarea bayesiană a recunoașterii modelelor a fost prezentată inițial în această publicație.
În plus, cartea examinează subiecte provocatoare care au nevoie de o înțelegere funcțională a multivariatelor, științei datelor și algebrei liniare fundamentale.
Despre învățarea automată și probabilitate, cartea de referință oferă capitole cu niveluri de complexitate din ce în ce mai dificile, bazate pe tendințele din seturile de date. Exemple simple sunt date înainte de o introducere generală în recunoașterea modelelor.
Cartea oferă tehnici de inferență aproximativă, care permit aproximări rapide în cazurile în care soluțiile exacte nu sunt practice. Nu există alte cărți care să folosească modele grafice pentru a descrie distribuțiile de probabilitate, dar o face.
Subiecte abordate în carte
- Metode bayesiene
- Algoritmi de inferență aproximativă
- Modele noi bazate pe nuclee
- Introducere în teoria probabilității de bază
- Introducere în recunoașterea modelelor și învățarea automată
13. Elementele fundamentale ale învățării automate din analiza predictivă a datelor
Dacă ați stăpânit elementele fundamentale ale învățării automate și doriți să treceți la analiza predictivă a datelor, aceasta este cartea pentru dvs.!!! Găsind modele din seturi masive de date, Machine Learning poate fi folosit pentru a dezvolta modele de predicție.
Această carte examinează implementarea utilizării ML Analiza predictivă a datelor în profunzime, incluzând atât principii teoretice, cât și exemple reale.
În ciuda faptului că titlul „Fundamentals of Machine Learning for Predictive Data Analytics” este o gură plină, această carte va sublinia călătoria Predictive Data Analytics de la date la perspectivă până la o concluzie.
De asemenea, se discută patru abordări ale învățării automate: învățarea bazată pe informații, învățarea bazată pe similaritate, învățarea bazată pe probabilitate și învățarea bazată pe erori, fiecare cu o explicație conceptuală non-tehnică urmată de modele matematice și algoritmi cu exemple.
Subiecte tratate în carte
- Învățare bazată pe informații
- Învățare bazată pe similaritate
- Învățare bazată pe probabilități
- Învățare bazată pe erori
14. Modelare predictivă aplicată
Modelarea predictivă aplicată examinează întregul proces de modelare predictivă, începând cu fazele critice ale preprocesării datelor, împărțirii datelor și a reglajului modelului.
Lucrarea prezintă apoi descrieri clare ale unei varietăți de abordări convenționale și recente de regresie și clasificare, cu accent pe afișarea și rezolvarea provocărilor din lumea reală a datelor.
Ghidul demonstrează toate aspectele procesului de modelare cu mai multe exemple practice, din lumea reală, iar fiecare capitol include cod R cuprinzător pentru fiecare etapă a procesului.
Acest volum multifuncțional poate fi folosit ca o introducere în modelele predictive și în întregul proces de modelare, ca ghid de referință pentru practicieni sau ca text pentru cursuri avansate de modelare predictivă la nivel de licență sau absolvent.
Subiecte abordate în carte
- Regresia tehnică
- Tehnica de clasificare
- Algoritmi ML complexi
15. Învățare automată: arta și știința algoritmilor care dau sens datelor
Dacă ești un intermediar sau un expert în învățarea automată și vrei să te întorci „la elementele fundamentale”, această carte este pentru tine! Acordă credit complet complexității și profunzimii enorme a învățării automate, fără să piardă niciodată din vedere principiile sale unificatoare (destul de realizare!).
Învățare automată: Arta și știința algoritmilor includ mai multe studii de caz de o complexitate crescândă, precum și numeroase exemple și imagini (pentru a menține lucrurile interesante!).
Cartea acoperă, de asemenea, o gamă largă de modele logice, geometrice și statistice, precum și subiecte complicate și noi, cum ar fi factorizarea matriceală și analiza ROC.
Subiecte abordate în carte
- Simplifica algoritmii de învățare automată
- Model logic
- Model geometric
- Model statistic
- Analiza ROC
16. Miningul de date: instrumente și tehnici practice de învățare automată
Folosind abordări din studiul sistemelor de baze de date, învățarea automată și statisticile, tehnicile de extragere a datelor ne permit să găsim modele în cantități mari de date.
Ar trebui să obțineți cartea Data Mining: Practical Machine Learning Tools and Techniques dacă trebuie să studiați tehnicile de data mining în special sau plănuiți să învățați machine learning în general.
Cea mai bună carte despre învățarea automată se concentrează mai mult pe partea sa tehnică. Se aprofundează mai mult în complexitățile tehnice ale învățării automate și în strategiile de culegere a datelor și utilizarea diferitelor intrări și ieșiri pentru a judeca rezultatele.
Subiecte abordate în carte
- Modele liniare
- clustering
- Modelare statistică
- Prezicerea performanței
- Compararea metodelor de extragere a datelor
- Învățare bazată pe instanțe
- Reprezentarea cunoștințelor și clustere
- Tehnici tradiționale și moderne de extragere a datelor
17. Python pentru analiza datelor
Abilitatea de a evalua datele utilizate în învățarea automată este cea mai importantă abilitate pe care trebuie să o posede un cercetător de date. Înainte de a dezvolta un model ML care produce o prognoză precisă, cea mai mare parte a sarcinii dumneavoastră va include manipularea, procesarea, curățarea și evaluarea datelor.
Trebuie să fii familiarizat cu limbaje de programare precum Pandas, NumPy, Ipython și altele pentru a executa analiza datelor.
Dacă doriți să lucrați în știința datelor sau în învățarea automată, trebuie să aveți capacitatea de a manipula datele.
Cu siguranță ar trebui să citiți cartea Python pentru analiza datelor în acest caz.
Subiecte abordate în carte
- Esenţial Bibliotecile Python
- Panda avansată
- Exemple de analiză a datelor
- Curățarea și pregătirea datelor
- Metode matematice și statistice
- Rezumarea și calcularea statisticii descriptive
18. Prelucrarea limbajului natural cu Python
Fundamentul sistemelor de învățare automată este procesarea limbajului natural.
Cartea Procesarea limbajului natural cu Python vă oferă instrucțiuni despre cum să utilizați NLTK, o colecție foarte apreciată de module și instrumente Python pentru procesarea simbolică și statistică a limbajului natural pentru engleză și NLP în general.
Cartea Procesarea limbajului natural cu Python oferă rutine Python eficiente care demonstrează NLP într-un mod concis și evident.
Cititorii au acces la seturi de date bine adnotate pentru a trata date nestructurate, structura text-lingvistică și alte elemente axate pe NLP.
Subiecte abordate în carte
- Cum funcționează limbajul uman?
- Structuri de date lingvistice
- Setul de instrumente pentru limbajul natural (NLTK)
- Analiza si analiza semantica
- Baze de date lingvistice populare
- Integrarea tehnicilor din inteligență artificială și lingvistică
19. Programarea inteligenței colective
Programming Collective Intelligence de Toby Segaran, care este considerată una dintre cele mai bune cărți care au început să înțeleagă învățarea automată, a fost scrisă în 2007, cu ani înainte ca știința datelor și învățarea automată să-și atingă poziția actuală de lider în căile profesionale.
Cartea folosește Python ca metodă de diseminare a expertizei sale către publicul său. Programming Collective Intelligence este mai mult un manual pentru implementarea ml decât o introducere în învățarea automată.
Cartea oferă informații despre dezvoltarea algoritmilor ML eficienți pentru colectarea datelor din aplicații, programarea pentru obținerea de date de pe site-uri web și extrapolarea datelor colectate.
Fiecare capitol include activități pentru extinderea algoritmilor discutați și îmbunătățirea utilității acestora.
Subiecte abordate în carte
- filtrare bayesiană
- Suporta mașini vectoriale
- Algoritmi pentru motoarele de căutare
- Modalități de a face predicții
- Tehnici de filtrare colaborative
- Factorizarea matriceală nenegativă
- Inteligența în evoluție pentru rezolvarea problemelor
- Metode de detectare a grupurilor sau modelelor
20. Deep Learning (Seria de calcul adaptiv și învățare automată)
După cum știm cu toții, învățarea profundă este un tip îmbunătățit de învățare automată care permite computerelor să învețe din performanța anterioară și o cantitate mare de date.
În timp ce utilizați tehnici de învățare automată, trebuie să fiți familiarizat cu principiile învățării profunde. Această carte, care este considerată Biblia a învățării profunde, va fi de mare ajutor în această circumstanță.
Trei experți în învățarea profundă acoperă subiecte extrem de complicate care sunt pline de matematică și modele generative profunde în această carte.
Oferind o bază matematică și conceptuală, lucrarea discută idei pertinente în algebra liniară, teoria probabilității, teoria informației, calculul numeric și învățarea automată.
Acesta examinează aplicații precum procesarea limbajului natural, recunoașterea vorbirii, viziunea computerizată, sistemele de recomandare online, bioinformatica și jocurile video și descrie tehnicile de învățare profundă utilizate de practicienii din industrie, cum ar fi rețelele de feedforward profunde, algoritmii de regularizare și optimizare, rețelele convoluționale și metodologia practică. .
Subiecte abordate în carte
- Calcul numeric
- Cercetare de învățare profundă
- Tehnici de viziune pe computer
- Rețele de feedforward profunde
- Optimizare pentru antrenarea modelelor profunde
- Metodologie practică
- Cercetare de învățare profundă
Concluzie
Cele mai bune 20 de cărți de învățare automată sunt rezumate în această listă, pe care o puteți folosi pentru a progresa învățarea automată în direcția dorită.
Veți putea dezvolta o bază solidă în expertiza în învățarea automată și o bibliotecă de referință pe care o puteți folosi des în timp ce lucrați în zonă dacă citiți o varietate de aceste manuale.
Vei fi inspirat să înveți în continuare, să te îmbunătățești și să ai efect chiar dacă citești doar o carte.
Când sunteți pregătit și competent să vă dezvoltați proprii algoritmi de învățare automată, rețineți că datele sunt esențiale pentru succesul proiectului dvs.
Lasă un comentariu