Kazalo[Skrij][Pokaži]
Mimogrede, vsi se zavedamo, kako hitro se je tehnologija strojnega učenja razvila v zadnjih nekaj letih. Strojno učenje je disciplina, ki je pritegnila zanimanje več korporacij, akademikov in sektorjev.
Zaradi tega bom razpravljal o nekaterih največjih knjigah o strojnem učenju, ki bi jih moral danes prebrati inženir ali novinec. Gotovo ste se vsi strinjali, da branje knjig ni isto kot uporaba intelekta.
Branje knjig pomaga našemu umu odkriti veliko novega. Branje je navsezadnje učenje. Imeti oznako samoučečega je zelo zabavno. V tem članku bodo izpostavljeni najboljši učbeniki, ki so na voljo na tem področju.
Naslednji učbeniki ponujajo preizkušen in resničen uvod v širše področje umetne inteligence in se pogosto uporabljajo v univerzitetnih tečajih ter jih priporočajo tako akademiki kot inženirji.
Tudi če imate tono strojno učenje izkušnjo, je lahko vzeti enega od teh učbenikov odličen način za osvežitev. Navsezadnje je učenje stalen proces.
1. Strojno učenje za popolne začetnike
Radi bi študirali strojno učenje, a ne veste, kako to storiti. Obstaja več ključnih teoretičnih in statističnih konceptov, ki bi jih morali razumeti, preden začnete svoje epsko potovanje v strojno učenje. In ta knjiga izpolnjuje to potrebo!
Ponuja popolne začetnike z visoko stopnjo, ki se uporablja uvod v strojno učenje. Knjiga Strojno učenje za absolutne začetnike je ena najboljših izbir za vse, ki iščete najbolj poenostavljeno razlago strojnega učenja in z njim povezanih idej.
Številne ml algoritme v knjigi spremljajo jedrnate razlage in grafični primeri, ki bralcem pomagajo razumeti vse, o čemer se razpravlja.
Teme, ki jih obravnava knjiga
- Osnove nevronske mreže
- Regresijska analiza
- Feature inženiring
- Grozdenje
- Navzkrižno preverjanje
- Tehnike brisanja podatkov
- Drevesa odločanja
- Ansambelsko modelarstvo
2. Strojno učenje za telebane
Strojno učenje je lahko za običajne ljudi zmedena ideja. Vendar pa je neprecenljivo za tiste, ki smo vešči.
Brez ML je težko obvladovati težave, kot so spletni rezultati iskanja, oglasi v realnem času na spletnih straneh, avtomatizacija ali celo filtriranje neželene pošte (Ja!).
Posledično vam ta knjiga ponuja neposreden uvod, ki vam bo pomagal izvedeti več o skrivnostnem področju strojnega učenja. S pomočjo Machine Learning For Dummies se boste naučili "govoriti" jezike, kot sta Python in R, kar vam bo omogočilo, da usposobite računalnike za prepoznavanje vzorcev in analizo podatkov.
Poleg tega se boste naučili, kako uporabljati Pythonovo Anacondo in R Studio za razvoj v R.
Teme, ki jih obravnava knjiga
- Priprava podatkov
- pristopi za strojno učenje
- Cikel strojnega učenja
- Nadzorovano in nenadzorovano učenje
- Usposabljanje sistemov strojnega učenja
- Povezovanje metod strojnega učenja z rezultati
3. Stostranska knjiga o strojnem učenju
Ali je izvedljivo zajeti vse vidike strojnega učenja na manj kot 100 straneh? Stostranska knjiga o strojnem učenju Andrija Burkova je poskus narediti enako.
Knjiga o strojnem učenju je dobro napisana in jo podpirajo znani miselni voditelji, vključno s Sujeetom Varakhedijem, vodjo inženiringa pri eBayu, in Petrom Norvigom, direktorjem raziskav pri Googlu.
To je najboljša knjiga za začetnike v strojnem učenju. Po temeljitem branju knjige boste lahko zgradili in razumeli sofisticirane sisteme umetne inteligence, uspeli na razgovoru za strojno učenje in celo ustanovili svoje lastno podjetje, ki temelji na ML.
Vendar pa knjiga ni namenjena popolnim začetnikom strojnega učenja. Poglej kam, če iščeš kaj bolj temeljnega.
Teme, ki jih obravnava knjiga
- Anatomija a učni algoritem
- Nadzorovano učenje in nenadzorovano učenje
- Okrepitveno učenje
- Temeljni algoritmi strojnega učenja
- Pregled nevronskih mrež in globokega učenja
4. Razumevanje strojnega učenja
Sistematičen uvod v strojno učenje je na voljo v knjigi Understanding Machine Learning. Knjiga se poglablja v temeljne ideje, računalniške paradigme in matematične izpeljave strojnega učenja.
Strojno učenje na preprost način predstavlja obsežen nabor predmetov strojnega učenja. V knjigi so opisani teoretični temelji strojnega učenja, skupaj z matematičnimi izpeljavami, ki te temelje spremenijo v uporabne algoritme.
Knjiga predstavlja osnove, preden pokrije širok nabor ključnih tem, ki jih prejšnji učbeniki niso obravnavali.
V to je vključena razprava o konceptih konveksnosti in stabilnosti ter računalniški kompleksnosti učenja, kot tudi pomembne algoritemske paradigme, kot je stohastična gradientni spust, nevronskih mrež in učenja strukturiranih izhodov, kot tudi na novo nastajajočih teoretičnih idej, kot je pristop PAC-Bayes in meje, ki temeljijo na stiskanju. zasnovano za začetnike ali napredne dodiplomske študente.
Teme, ki jih obravnava knjiga
- Računalniška kompleksnost strojnega učenja
- ML algoritmi
- Nevronske mreže
- Pristop PAC-Bayes
- Stohastični gradientni spust
- Strukturirano izhodno učenje
5. Uvod v strojno učenje s Pythonom
Ste podatkovni znanstvenik, ki obvlada Python in želi študirati strojno učenje? Najboljša knjiga za začetek vaše avanture strojnega učenja je Uvod v strojno učenje s Pythonom: vodnik za podatkovne znanstvenike.
S pomočjo knjige Introduction to Machine Learning with Python: A Guide for Data Scientists boste odkrili vrsto uporabnih tehnik za ustvarjanje programov strojnega učenja po meri.
Zajeli boste vse ključne korake pri uporabi Pythona in paketa Scikit-Learn za izdelavo zanesljivih aplikacij za strojno učenje.
Če dobro obvladate knjižnici matplotlib in NumPy, bo učenje veliko lažje.
Teme, ki jih obravnava knjiga
- Sodobne tehnike za spreminjanje parametrov in ocenjevanje modela
- Aplikacije in ideje za osnovno strojno učenje
- tehnike avtomatiziranega učenja
- Tehnike za obdelavo besedilnih podatkov
- Cevovodi za veriženje modelov in inkapsulacijo poteka dela
- Predstavitev podatkov po obdelavi
6. Praktično strojno učenje s Sci-kit learn, Keras & Tensorflow
Med najtemeljitejšimi publikacijami o podatkovni znanosti in strojnem učenju je polna znanja. Priporočljivo je, da tako strokovnjaki kot začetniki preučijo več o tej temi.
Čeprav ta knjiga vsebuje le malo teorije, je podprta z močnimi primeri, kar ji daje mesto na seznamu.
Ta knjiga vključuje različne teme, vključno s scikit-learn za projekte strojnega učenja in TensorFlow za ustvarjanje in usposabljanje nevronskih mrež.
Menimo, da boste po branju te knjige bolje opremljeni za nadaljnje poglabljanje globoko učenje in se ukvarjajo s praktičnimi problemi.
Teme, ki jih obravnava knjiga
- Preučite krajino strojnega učenja, zlasti nevronskih mrež
- Sledite vzorčnemu projektu strojnega učenja od začetka do zaključka s pomočjo Scikit-Learn.
- Preglejte več modelov usposabljanja, kot so ansambelske tehnike, naključni gozdovi, odločitvena drevesa in podporni vektorski stroji.
- Ustvarite in učite nevronske mreže z uporabo knjižnice TensorFlow.
- Med raziskovanjem upoštevajte konvolucijska omrežja, ponavljajoče se mreže in globoko okrepljeno učenje nevronska mreža modelov.
- Naučite se povečati in učiti globoke nevronske mreže.
7. Strojno učenje za hekerje
Za izkušenega programerja, ki ga zanima analiza podatkov, je napisana knjiga Strojno učenje za hekerje. Hekerji so v tem kontekstu izurjeni matematiki.
Za nekoga, ki dobro razume R, je ta knjiga odlična izbira, saj je večina osredotočena na analizo podatkov v R. V knjigi je dodatno obravnavano, kako manipulirati s podatki z uporabo naprednega R.
Vključitev ustreznih zgodb primerov poudarja vrednost uporabe algoritmov strojnega učenja je lahko najpomembnejša prodajna točka knjige Strojno učenje za hekerje.
V knjigi so številni primeri iz resničnega sveta, ki omogočajo preprostejše in hitrejše učenje strojnega učenja, namesto da bi se poglabljali v njegovo matematično teorijo.
Teme, ki jih obravnava knjiga
- Ustvarite naivni Bayesov klasifikator, ki preprosto analizira vsebino e-pošte in ugotovi, ali gre za neželeno pošto.
- Napovedovanje števila ogledov strani za 1,000 najboljših spletnih mest z uporabo linearne regresije
- Raziščite metode optimizacije tako, da poskusite razbiti preprosto črkovno šifro.
8. Strojno učenje Python s primeri
Ta knjiga, ki vam pomaga razumeti in ustvariti različne metode strojnega učenja, globokega učenja in analize podatkov, je verjetno edina, ki se osredotoča samo na Python kot programski jezik.
Zajema več močnih knjižnic za izvajanje različnih algoritmov strojnega učenja, kot je Scikit-Learn. Modul Tensor Flow se nato uporabi za poučevanje o globokem učenju.
Nazadnje prikazuje številne priložnosti za analizo podatkov, ki jih je mogoče doseči z uporabo strojnega in globokega učenja.
Prav tako vas nauči številnih tehnik, ki jih lahko uporabite za povečanje učinkovitosti modela, ki ga ustvarite.
Teme, ki jih obravnava knjiga
- Učenje Pythona in strojnega učenja: vodnik za začetnike
- Preučevanje nabora podatkov 2 novičarskih skupin in zaznavanje neželene e-pošte Naive Bayes
- Z uporabo SVM-jev razvrstite teme novic Predvidevanje klikanja z algoritmi, ki temeljijo na drevesih
- Napovedovanje razmerja med prikazi in kliki z uporabo logistične regresije
- Uporaba regresijskih algoritmov za napovedovanje najvišjih standardov tečajev delnic
9. Strojno učenje Pythona
Knjiga Python Machine Learning pojasnjuje osnove strojnega učenja in njegov pomen v digitalni domeni. Je knjiga o strojnem učenju za začetnike.
V knjigi so poleg tega zajeta številna podpodročja in aplikacije strojnega učenja. Načela programiranja Python in kako začeti z brezplačnim in odprtokodnim programskim jezikom so prav tako zajeta v knjigi Python Machine Learning.
Ko končate knjigo o strojnem učenju, boste lahko učinkovito vzpostavili številna delovna mesta strojnega učenja z uporabo kodiranja Python.
Teme, ki jih obravnava knjiga
- Osnove umetne inteligence
- odločitveno drevo
- Logistična regresija
- Globinske nevronske mreže
- Osnove programskega jezika Python
10. Strojno učenje: verjetnostna perspektiva
Machine Learning: A Probabilistic Perspective je duhovita knjiga o strojnem učenju, ki vsebuje nostalgično barvno grafiko in praktične primere iz resničnega sveta iz disciplin, kot so biologija, računalniški vid, robotika in obdelava besedil.
Poln je priložnostne proze in psevdokod za bistvene algoritme. Machine Learning: A Probabilistic Perspective se v nasprotju z drugimi publikacijami o strojnem učenju, ki so predstavljene v slogu kuharske knjige in opisujejo različne hevristične pristope, osredotoča na načelen modelski pristop.
Določa ml modele z uporabo grafičnih predstavitev na jasen in razumljiv način. Na podlagi poenotenega, verjetnostnega pristopa ta učbenik ponuja popoln in samostojen uvod v področje strojnega učenja.
Vsebina je obsežna in globoka, vključno s temeljnim osnovnim gradivom o temah, kot so verjetnost, optimizacija in linearna algebra, ter razpravo o sodobnem napredku na tem področju, kot so pogojna naključna polja, regulacija L1 in globoko učenje.
Knjiga je napisana v preprostem, dostopnem jeziku in vsebuje psevdo kodo za glavne pomembne algoritme.
Teme, ki jih obravnava knjiga
- Verjetnost
- Globoko učenje
- Regulacija L1
- optimizacija
- Obdelava besedila
- Aplikacije za računalniški vid
- Robotske aplikacije
11. Elementi statističnega učenja
Ta učbenik za strojno učenje je zaradi svojega konceptualnega okvira in široke palete predmetov pogosto priznan na tem področju.
To knjigo lahko uporabite kot referenco za vsakogar, ki mora osvežiti teme, kot so nevronske mreže in tehnike testiranja, ter kot preprost uvod v strojno učenje.
Knjiga agresivno spodbuja bralca k izvajanju lastnih poskusov in raziskav na vsakem koraku, zaradi česar je dragocena za negovanje sposobnosti in radovednosti, ki so potrebni za ustrezen napredek v zmogljivosti ali službi strojnega učenja.
Je pomembno orodje za statistike in vse, ki jih zanima podatkovno rudarjenje v podjetništvu ali znanosti. Prepričajte se, da razumete vsaj linearno algebro, preden začnete s to knjigo.
Teme, ki jih obravnava knjiga
- Nadzorovano učenje (predikcija) do nenadzorovanega učenja
- Nevronske mreže
- Podporni vektorski stroji
- Klasifikacijska drevesa
- Algoritmi za pospeševanje
12. Prepoznavanje vzorcev in strojno učenje
V tej knjigi je mogoče temeljito raziskati svetove prepoznavanja vzorcev in strojnega učenja. Bayesov pristop k prepoznavanju vzorcev je bil prvotno predstavljen v tej publikaciji.
Poleg tega knjiga preučuje zahtevne teme, ki potrebujejo delovno razumevanje multivariatne, podatkovne znanosti in temeljne linearne algebre.
Referenčna knjiga o strojnem učenju in verjetnosti ponuja poglavja s postopno težjimi stopnjami kompleksnosti, ki temeljijo na trendih v nizih podatkov. Pred splošnim uvodom v prepoznavanje vzorcev so podani preprosti primeri.
Knjiga ponuja tehnike približnega sklepanja, ki omogočajo hitre približke v primerih, ko so natančne rešitve nepraktične. Nobena druga knjiga ne uporablja grafičnih modelov za opis verjetnostnih porazdelitev, vendar jih uporablja.
Teme, ki jih obravnava knjiga
- Bayesove metode
- Algoritmi približnega sklepanja
- Novi modeli, ki temeljijo na jedrih
- Uvod v osnovno teorijo verjetnosti
- Uvod v prepoznavanje vzorcev in strojno učenje
13. Osnove strojnega učenja iz analitike napovednih podatkov
Če ste obvladali osnove strojnega učenja in želite nadaljevati s prediktivno podatkovno analitiko, je to knjiga za vas!!! Z iskanjem vzorcev iz ogromnih naborov podatkov lahko strojno učenje uporabimo za razvoj modelov napovedi.
Ta knjiga preučuje uporabo uporabe ML Analitika napovednih podatkov poglobljeno, vključno s teoretičnimi načeli in dejanskimi primeri.
Kljub dejstvu, da je naslov »Osnove strojnega učenja za analitiko napovednih podatkov« zalogaj, bo ta knjiga orisala pot analitike napovednih podatkov od podatkov do vpogleda do zaključka.
Obravnava tudi štiri pristope strojnega učenja: učenje na podlagi informacij, učenje na podlagi podobnosti, učenje na podlagi verjetnosti in učenje na podlagi napak, pri čemer ima vsak netehnično konceptualno razlago, ki ji sledijo matematični modeli in algoritmi s primeri.
Teme, ki jih obravnava knjiga
- Učenje na podlagi informacij
- Učenje na podlagi podobnosti
- Učenje na podlagi verjetnosti
- Učenje na podlagi napak
14. Uporabno napovedno modeliranje
Applied Predictive Modeling preučuje celoten postopek napovednega modeliranja, začenši s kritičnimi fazami predprocesiranja podatkov, razdelitve podatkov in temeljev za prilagajanje modela.
Delo nato predstavlja jasne opise različnih običajnih in novejših regresijskih in klasifikacijskih pristopov, s poudarkom na prikazovanju in reševanju podatkovnih izzivov iz resničnega sveta.
Priročnik prikazuje vse vidike procesa modeliranja z več praktičnimi primeri iz resničnega sveta, vsako poglavje pa vključuje obsežno kodo R za vsako stopnjo procesa.
Ta večnamenski zvezek se lahko uporablja kot uvod v napovedne modele in celoten proces modeliranja, kot referenčni vodnik za praktike ali kot besedilo za napredne dodiplomske ali podiplomske tečaje napovednega modeliranja.
Teme, ki jih obravnava knjiga
- Tehnična regresija
- Tehnika razvrščanja
- Kompleksni algoritmi ML
15. Strojno učenje: umetnost in znanost algoritmov, ki osmišljajo podatke
Če ste srednji ali strokovnjak za strojno učenje in se želite "vrniti k osnovam", je ta knjiga za vas! V celoti pripisuje zasluge ogromni kompleksnosti in globini strojnega učenja, pri tem pa nikoli ne izgubi izpred oči njegovih združevalnih načel (precejšen dosežek!).
Strojno učenje: Umetnost in znanost algoritmov vključuje več študij primerov vse večje kompleksnosti ter številne primere in slike (da bodo stvari zanimive!).
Knjiga zajema tudi širok spekter logičnih, geometrijskih in statističnih modelov ter zapletene in nove teme, kot sta faktorizacija matrike in analiza ROC.
Teme, ki jih obravnava knjiga
- Poenostavi algoritme strojnega učenja
- Logični model
- Geometrijski model
- Statistični model
- ROC analiza
16. Podatkovno rudarjenje: praktična orodja in tehnike strojnega učenja
Z uporabo pristopov iz preučevanja sistemov baz podatkov, strojnega učenja in statistike nam tehnike podatkovnega rudarjenja omogočajo iskanje vzorcev v ogromnih količinah podatkov.
Knjigo Data Mining: Practical Machine Learning Tools and Techniques bi morali dobiti, če morate posebej preučiti tehnike podatkovnega rudarjenja ali se nameravate naučiti strojnega učenja na splošno.
Najboljša knjiga o strojnem učenju se bolj osredotoča na njegovo tehnično plat. Nadalje se poglablja v tehnične zapletenosti strojnega učenja in strategije za zbiranje podatkov ter uporabo različnih vhodov in izhodov za presojo rezultatov.
Teme, ki jih obravnava knjiga
- Linearni modeli
- Grozdenje
- Statistično modeliranje
- Napovedovanje uspešnosti
- Primerjava metod podatkovnega rudarjenja
- Učenje na podlagi primerkov
- Predstavitev znanja in grozdi
- Tradicionalne in sodobne tehnike podatkovnega rudarjenja
17. Python za analizo podatkov
Sposobnost vrednotenja podatkov, uporabljenih v strojnem učenju, je najpomembnejša veščina, ki jo mora imeti podatkovni znanstvenik. Preden razvijete model ML, ki ustvari natančno napoved, bo večina vašega dela vključevala ravnanje, obdelavo, čiščenje in ocenjevanje podatkov.
Za izvajanje analize podatkov morate poznati programske jezike, kot so Pandas, NumPy, Ipython in drugi.
Če želite delati na področju podatkovne znanosti ali strojnega učenja, morate imeti možnost manipuliranja s podatki.
V tem primeru morate vsekakor prebrati knjigo Python for Data Analysis.
Teme, ki jih obravnava knjiga
- Bistveno Python knjižnice
- Napredne pande
- Primeri analize podatkov
- Čiščenje in priprava podatkov
- Matematične in statistične metode
- Povzemanje in računanje deskriptivne statistike
18. Obdelava naravnega jezika s Pythonom
Osnova sistemov strojnega učenja je obdelava naravnega jezika.
Knjiga Obdelava naravnega jezika s Pythonom vam daje navodila, kako uporabljati NLTK, priljubljeno zbirko modulov in orodij Python za simbolno in statistično obdelavo naravnega jezika za angleščino in NLP na splošno.
Knjiga Obdelava naravnega jezika s Pythonom ponuja učinkovite rutine Pythona, ki prikazujejo NLP na jedrnat in očiten način.
Bralci imajo dostop do dobro označenih naborov podatkov za obravnavo nestrukturiranih podatkov, besedilno-jezikovne strukture in drugih elementov, osredotočenih na NLP.
Teme, ki jih obravnava knjiga
- Kako deluje človeški jezik?
- Jezikovne podatkovne strukture
- Navodilo za naravni jezik (NLTK)
- Razčlenjevanje in semantična analiza
- Priljubljene jezikovne baze podatkov
- Integrirajte tehnike iz Umetna inteligenca in jezikoslovje
19. Programiranje kolektivne inteligence
Programiranje kolektivne inteligence Tobyja Segarana, ki velja za eno največjih knjig za začetek razumevanja strojnega učenja, je bila napisana leta 2007, leta preden sta znanost o podatkih in strojno učenje dosegla svoj trenutni položaj vodilnih poklicnih poti.
Knjiga uporablja Python kot metodo za razširjanje svojega strokovnega znanja občinstvu. Programming Collective Intelligence je bolj priročnik za implementacijo ml kot uvod v strojno učenje.
Knjiga ponuja informacije o razvoju učinkovitih algoritmov ML za zbiranje podatkov iz aplikacij, programiranju za pridobivanje podatkov s spletnih mest in ekstrapolaciji zbranih podatkov.
Vsako poglavje vključuje dejavnosti za razširitev obravnavanih algoritmov in izboljšanje njihove uporabnosti.
Teme, ki jih obravnava knjiga
- Bayesovo filtriranje
- Podporni vektorski stroji
- Algoritmi iskalnikov
- Načini napovedovanja
- Tehnike sodelovalnega filtriranja
- Negativna faktorska matrika
- Razvijanje inteligence za reševanje problemov
- Metode za odkrivanje skupin ali vzorcev
20. Globoko učenje (Serija prilagodljivega računanja in strojnega učenja)
Kot vsi vemo, je globoko učenje izboljšana vrsta strojnega učenja, ki računalnikom omogoča učenje iz pretekle uspešnosti in velike količine podatkov.
Pri uporabi tehnik strojnega učenja morate biti seznanjeni tudi z načeli globokega učenja. Ta knjiga, ki velja za Sveto pismo globokega učenja, bo v teh okoliščinah zelo koristna.
Trije strokovnjaki za globoko učenje v tej knjigi pokrivajo zelo zapletene teme, ki so polne matematike in globokih generativnih modelov.
Delo, ki zagotavlja matematično in konceptualno podlago, razpravlja o ustreznih idejah v linearni algebri, teoriji verjetnosti, informacijski teoriji, numeričnem računanju in strojnem učenju.
Preučuje aplikacije, kot so obdelava naravnega jezika, prepoznavanje govora, računalniški vid, sistemi spletnih priporočil, bioinformatika in videoigre, ter opisuje tehnike globokega učenja, ki jih uporabljajo strokovnjaki v industriji, kot so globoka omrežja s posredovanjem naprej, regularizacija in optimizacijski algoritmi, konvolucijska omrežja in praktična metodologija .
Teme, ki jih obravnava knjiga
- Numerični izračun
- Raziskave globokega učenja
- Tehnike računalniškega vida
- Deep Feedforward Networks
- Optimizacija za usposabljanje globokih modelov
- Praktična metodologija
- Raziskave globokega učenja
zaključek
Na tem seznamu je povzetih 20 najboljših knjig o strojnem učenju, ki jih lahko uporabite za napredovanje strojnega učenja v želeno smer.
Če boste prebrali vrsto teh učbenikov, boste lahko razvili trdne temelje strokovnega znanja o strojnem učenju in referenčno knjižnico, ki jo lahko pogosto uporabljate med delom na tem področju.
Dobili boste navdih, da se boste še naprej učili, postajali boljši in imeli učinek, tudi če boste prebrali samo eno knjigo.
Ko ste pripravljeni in usposobljeni za razvoj lastnih algoritmov strojnega učenja, ne pozabite, da so podatki ključnega pomena za uspeh vašega projekta.
Pustite Odgovori