สารบัญ[ซ่อน][แสดง]
อย่างไรก็ตาม เราทุกคนต่างตระหนักดีถึงความเร็วของเทคโนโลยีการเรียนรู้ของเครื่องในช่วงหลายปีที่ผ่านมา แมชชีนเลิร์นนิงเป็นสาขาวิชาที่ดึงดูดความสนใจจากองค์กร นักวิชาการ และภาคส่วนต่างๆ
ด้วยเหตุนี้ ฉันจะพูดถึงหนังสือเกี่ยวกับแมชชีนเลิร์นนิงที่ยิ่งใหญ่ที่สุดบางเล่มที่วิศวกรหรือมือใหม่ควรอ่านในวันนี้ คุณต้องตกลงกันว่าการอ่านหนังสือไม่เหมือนกับการใช้สติปัญญา
การอ่านหนังสือช่วยให้จิตใจของเราค้นพบสิ่งใหม่มากมาย การอ่านคือการเรียนรู้ แท็กสำหรับผู้เรียนด้วยตนเองเป็นเรื่องที่สนุกมาก หนังสือเรียนที่ยิ่งใหญ่ที่สุดในสาขานี้จะถูกเน้นในบทความนี้
หนังสือเรียนต่อไปนี้จะนำเสนอบทนำเกี่ยวกับ AI ที่ใหญ่ขึ้นและพยายามจริงและมักใช้ในหลักสูตรของมหาวิทยาลัยและแนะนำโดยนักวิชาการและวิศวกร
แม้ว่าคุณจะมีตันของ เรียนรู้เครื่อง ประสบการณ์ การเลือกหนังสือเรียนเหล่านี้อาจเป็นวิธีที่ยอดเยี่ยมในการทำความเข้าใจ ท้ายที่สุดแล้ว การเรียนรู้เป็นกระบวนการที่ต่อเนื่อง
1. การเรียนรู้ของเครื่องสำหรับผู้เริ่มต้นอย่างแท้จริง
คุณต้องการเรียนแมชชีนเลิร์นนิงแต่ไม่รู้ว่าต้องทำอย่างไร มีแนวคิดทางทฤษฎีและสถิติที่สำคัญหลายประการที่คุณควรทำความเข้าใจก่อนเริ่มการเดินทางครั้งยิ่งใหญ่สู่การเรียนรู้ของเครื่อง และหนังสือเล่มนี้ก็เติมเต็มความต้องการนั้น!
มันมีสามเณรที่สมบูรณ์ด้วยระดับสูง, ใช้งานได้ ความรู้เบื้องต้นเกี่ยวกับแมชชีนเลิร์นนิง. หนังสือ Machine Learning for Absolute Beginners เป็นหนึ่งในตัวเลือกที่ดีที่สุดสำหรับทุกคนที่ค้นหาคำอธิบายที่เข้าใจง่ายที่สุดของแมชชีนเลิร์นนิงและแนวคิดที่เกี่ยวข้อง
อัลกอริธึม ml จำนวนมากของหนังสือเล่มนี้มาพร้อมกับคำอธิบายที่กระชับและตัวอย่างกราฟิกเพื่อช่วยให้ผู้อ่านเข้าใจทุกอย่างที่กล่าวถึง
หัวข้อในเล่ม
- พื้นฐานของ เครือข่ายประสาทเทียม
- การวิเคราะห์การถดถอย
- วิศวกรรมคุณลักษณะ
- การจัดกลุ่ม
- การตรวจสอบข้าม
- เทคนิคการขัดข้อมูล
- ต้นไม้แห่งการตัดสินใจ
- การสร้างแบบจำลองทั้งมวล
2. การเรียนรู้ของเครื่องสำหรับ Dummies
แมชชีนเลิร์นนิงอาจเป็นแนวคิดที่สับสนสำหรับคนทั่วไป อย่างไรก็ตาม มันประเมินค่าไม่ได้สำหรับพวกเราที่มีความรู้
หากไม่มี ML จะเป็นการยากที่จะจัดการปัญหาต่างๆ เช่น ผลการค้นหาออนไลน์ โฆษณาแบบเรียลไทม์บนหน้าเว็บ ระบบอัตโนมัติ หรือแม้แต่การกรองสแปม (ใช่!)
ด้วยเหตุนี้ หนังสือเล่มนี้จึงนำเสนอคำแนะนำที่ตรงไปตรงมาแก่คุณ ซึ่งจะช่วยให้คุณเรียนรู้เพิ่มเติมเกี่ยวกับขอบเขตอันน่าพิศวงของแมชชีนเลิร์นนิง ด้วยความช่วยเหลือของ Machine Learning For Dummies คุณจะได้เรียนรู้วิธี "พูด" ภาษา เช่น Python และ R ซึ่งจะช่วยให้คุณฝึกคอมพิวเตอร์ให้จดจำรูปแบบและวิเคราะห์ข้อมูลได้
นอกจากนี้ คุณจะได้เรียนรู้วิธีใช้ Python's Anaconda และ R Studio เพื่อพัฒนาใน R.
หัวข้อในเล่ม
- การเตรียมข้อมูล
- แนวทางสำหรับแมชชีนเลิร์นนิง
- วัฏจักรการเรียนรู้ของเครื่อง
- การเรียนรู้ภายใต้การดูแลและไม่ได้รับการดูแล
- การฝึกอบรมระบบการเรียนรู้ของเครื่อง
- เชื่อมโยงวิธีการเรียนรู้ของเครื่องเข้ากับผลลัพธ์
3. หนังสือการเรียนรู้เครื่องจักรร้อยหน้า
เป็นไปได้หรือไม่ที่จะครอบคลุมทุกแง่มุมของการเรียนรู้ของเครื่องด้วยหน้าไม่ถึง 100 หน้า? หนังสือ The Hundred-Page Machine Learning ของ Andriy Burkov เป็นความพยายามที่จะทำเช่นเดียวกัน
หนังสือแมชชีนเลิร์นนิงได้รับการเขียนอย่างดีและได้รับการสนับสนุนจากผู้นำทางความคิดที่มีชื่อเสียง เช่น Sujeet Varakhedi หัวหน้าฝ่ายวิศวกรรมของ eBay และ Peter Norvig ผู้อำนวยการฝ่ายวิจัยของ Google
เป็นหนังสือที่ยิ่งใหญ่ที่สุดสำหรับผู้เริ่มต้นในการเรียนรู้ด้วยเครื่อง หลังจากอ่านหนังสืออย่างถี่ถ้วนแล้ว คุณจะสามารถสร้างและเข้าใจระบบ AI ที่ซับซ้อน ประสบความสำเร็จในการสัมภาษณ์แมชชีนเลิร์นนิง หรือแม้แต่เปิดตัวบริษัทที่ใช้ ML ของคุณเอง
อย่างไรก็ตาม หนังสือเล่มนี้ไม่ได้มีไว้สำหรับผู้เริ่มต้นที่สมบูรณ์ในการเรียนรู้ของเครื่อง มองหาที่ใดที่หนึ่งถ้าคุณกำลังมองหาอะไรที่เป็นพื้นฐานกว่านี้
หัวข้อในเล่ม
- กายวิภาคของ อัลกอริทึมการเรียนรู้
- การเรียนรู้ภายใต้การดูแลและการเรียนรู้แบบไม่มีผู้ดูแล
- การเรียนรู้เสริมแรง
- อัลกอริทึมพื้นฐานของการเรียนรู้ของเครื่อง
- ภาพรวมของโครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก
4. ทำความเข้าใจแมชชีนเลิร์นนิง
การแนะนำอย่างเป็นระบบเกี่ยวกับการเรียนรู้ของเครื่องมีอยู่ในหนังสือการทำความเข้าใจการเรียนรู้ของเครื่อง หนังสือเล่มนี้เจาะลึกถึงแนวคิดพื้นฐาน กระบวนทัศน์การคำนวณ และที่มาทางคณิตศาสตร์ของการเรียนรู้ของเครื่อง
มีการนำเสนอหัวข้อการเรียนรู้ของเครื่องที่หลากหลายในลักษณะที่เรียบง่ายด้วยการเรียนรู้ของเครื่อง พื้นฐานทางทฤษฎีของแมชชีนเลิร์นนิงได้อธิบายไว้ในหนังสือ ร่วมกับการอนุมานทางคณิตศาสตร์ที่ทำให้ฐานรากเหล่านี้เป็นอัลกอริธึมที่มีประโยชน์
หนังสือเล่มนี้นำเสนอข้อมูลพื้นฐานก่อนที่จะครอบคลุมหัวข้อสำคัญต่างๆ ที่ยังไม่ครอบคลุมในตำราเรียนก่อนหน้านี้
รวมอยู่ในนี้เป็นการอภิปรายของแนวคิดความนูนและความเสถียรและความซับซ้อนของการคำนวณของการเรียนรู้ เช่นเดียวกับกระบวนทัศน์อัลกอริทึมที่สำคัญ เช่น สโทแคสติก การไล่ระดับสีโครงข่ายประสาทเทียม และการเรียนรู้เอาต์พุตที่มีโครงสร้าง ตลอดจนแนวคิดทางทฤษฎีที่เกิดขึ้นใหม่ เช่น แนวทาง PAC-Bayes และขอบเขตตามการบีบอัด ออกแบบมาสำหรับผู้เริ่มต้นหรือระดับปริญญาตรีขั้นสูง
หัวข้อในเล่ม
- ความซับซ้อนในการคำนวณของแมชชีนเลิร์นนิง
- อัลกอริทึม ML
- โครงข่ายประสาท
- แนวทางของ PAC-Bayes
- การไล่ระดับสีสุ่ม
- การเรียนรู้ผลลัพธ์ที่มีโครงสร้าง
5. บทนำสู่การเรียนรู้ของเครื่องด้วย Python
คุณเป็นนักวิทยาศาสตร์ด้านข้อมูลที่มีความชำนาญด้าน Python ที่ต้องการศึกษาการเรียนรู้ของเครื่องหรือไม่? หนังสือที่ดีที่สุดในการเริ่มต้นการผจญภัยของแมชชีนเลิร์นนิงคือ Introduction to Machine Learning with Python: A Guide for Data Scientists
ด้วยความช่วยเหลือของหนังสือ Introduction to Machine Learning with Python: A Guide for Data Scientists คุณจะค้นพบเทคนิคที่มีประโยชน์มากมายสำหรับการสร้างโปรแกรมแมชชีนเลิร์นนิงแบบกำหนดเอง
คุณจะครอบคลุมทุกขั้นตอนที่สำคัญที่เกี่ยวข้องกับการใช้ Python และแพ็คเกจ Scikit-Learn เพื่อสร้างแอปพลิเคชันการเรียนรู้ของเครื่องที่เชื่อถือได้
การได้รับความเข้าใจอย่างถ่องแท้ของไลบรารี matplotlib และ NumPy จะทำให้การเรียนรู้ง่ายขึ้นมาก
หัวข้อในเล่ม
- เทคนิคสมัยใหม่สำหรับการปรับแต่งพารามิเตอร์และการประเมินแบบจำลอง
- แอพพลิเคชั่นและแนวคิดพื้นฐานของแมชชีนเลิร์นนิง
- เทคนิคการเรียนรู้อัตโนมัติ
- เทคนิคการจัดการข้อมูลข้อความ
- ไปป์ไลน์การห่อหุ้มแบบจำลองและเวิร์กโฟลว์
- การแสดงข้อมูลหลังการประมวลผล
6. การเรียนรู้ด้วยเครื่องจริงด้วยชุดการเรียนรู้ Sci-kit, Keras & Tensorflow
ในบรรดาสิ่งพิมพ์ที่ละเอียดที่สุดเกี่ยวกับวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง มันเต็มไปด้วยความรู้ ขอแนะนำว่าทั้งผู้เชี่ยวชาญและสามเณรศึกษาเพิ่มเติมเกี่ยวกับเรื่องนี้เหมือนกัน
แม้ว่าหนังสือเล่มนี้จะมีทฤษฎีเพียงเล็กน้อย แต่ก็ได้รับการสนับสนุนโดยตัวอย่างที่ชัดเจน ซึ่งทำให้หนังสือเล่มนี้มีจุดอยู่ในรายการ
หนังสือเล่มนี้ประกอบด้วยหัวข้อที่หลากหลาย รวมถึง scikit-learn สำหรับโครงการการเรียนรู้ของเครื่องและ TensorFlow สำหรับการสร้างและฝึกอบรมโครงข่ายประสาทเทียม
หลังจากอ่านหนังสือเล่มนี้แล้ว เราคิดว่าคุณน่าจะพร้อมที่จะเจาะลึกในรายละเอียดมากขึ้น การเรียนรู้ลึก ๆ และจัดการกับปัญหาในทางปฏิบัติ
หัวข้อในเล่ม
- ตรวจสอบภูมิทัศน์ของการเรียนรู้ของเครื่องโดยเฉพาะโครงข่ายประสาทเทียม
- ติดตามตัวอย่างโครงงานแมชชีนเลิร์นนิงตั้งแต่ต้นจนจบโดยใช้ Scikit-Learn
- ตรวจสอบแบบจำลองการฝึกอบรมต่างๆ เช่น เทคนิควงดนตรี ป่าสุ่ม ต้นไม้ตัดสินใจ และเครื่องเวกเตอร์สนับสนุน
- สร้างและฝึกอบรมโครงข่ายประสาทเทียมโดยใช้ไลบรารี TensorFlow
- พิจารณาโครงข่ายที่บิดเบี้ยว ตาข่ายที่เกิดซ้ำ และการเรียนรู้การเสริมแรงอย่างลึกซึ้งขณะสำรวจ ตาข่ายประสาท จิตร
- เรียนรู้วิธีปรับขนาดและฝึกโครงข่ายประสาทเทียมเชิงลึก
7. แมชชีนเลิร์นนิงสำหรับแฮกเกอร์
สำหรับโปรแกรมเมอร์ผู้มากประสบการณ์ที่สนใจในการวิเคราะห์ข้อมูล หนังสือ Machine Learning for Hackers ถูกเขียนขึ้น แฮกเกอร์เป็นนักคณิตศาสตร์ที่มีทักษะในบริบทนี้
สำหรับผู้ที่มีความเข้าใจอย่างถ่องแท้เกี่ยวกับ R หนังสือเล่มนี้เป็นตัวเลือกที่ดีเพราะส่วนใหญ่เน้นที่การวิเคราะห์ข้อมูลใน R นอกจากนี้ เนื้อหาที่กล่าวถึงในหนังสือคือวิธีจัดการข้อมูลโดยใช้ R ขั้นสูง
การรวมเรื่องราวของกรณีที่เกี่ยวข้องเน้นถึงคุณค่าของการใช้อัลกอริธึมการเรียนรู้ของเครื่องสามารถเป็นหนังสือการเรียนรู้ของเครื่องสำหรับจุดขายที่สำคัญที่สุดของแฮ็กเกอร์
หนังสือเล่มนี้ให้ตัวอย่างมากมายในโลกแห่งความเป็นจริงเพื่อทำให้การเรียนรู้ของเครื่องเรียนรู้ง่ายและรวดเร็วขึ้น แทนที่จะเจาะลึกลงไปในทฤษฎีทางคณิตศาสตร์ของมัน
หัวข้อในเล่ม
- สร้างตัวแยกประเภท Bayesian ที่ไร้เดียงสาที่วิเคราะห์เนื้อหาของอีเมลอย่างง่ายๆ เพื่อพิจารณาว่าเป็นสแปมหรือไม่
- การคาดคะเนจำนวนการดูหน้าเว็บสำหรับเว็บไซต์ 1,000 อันดับแรกโดยใช้การถดถอยเชิงเส้น
- ตรวจสอบวิธีการเพิ่มประสิทธิภาพโดยพยายามถอดรหัสตัวอักษรที่ตรงไปตรงมา
8. Python Machine Learning พร้อมตัวอย่าง
หนังสือเล่มนี้ ซึ่งช่วยให้คุณเข้าใจและสร้างวิธีการเรียนรู้ด้วยเครื่อง การเรียนรู้เชิงลึก และการวิเคราะห์ข้อมูลที่หลากหลาย น่าจะเป็นเล่มเดียวที่เน้นเฉพาะ Python เป็นภาษาโปรแกรมเท่านั้น
ครอบคลุมไลบรารีที่มีศักยภาพหลายแห่งสำหรับการนำอัลกอริธึมการเรียนรู้ของเครื่องมาใช้ เช่น Scikit-Learn โมดูล Tensor Flow จะใช้เพื่อสอนคุณเกี่ยวกับการเรียนรู้เชิงลึก
สุดท้ายนี้ แสดงให้เห็นถึงโอกาสในการวิเคราะห์ข้อมูลมากมายที่สามารถทำได้โดยใช้เครื่องและการเรียนรู้เชิงลึก
นอกจากนี้ยังสอนเทคนิคต่างๆ มากมายที่สามารถใช้เพื่อเพิ่มประสิทธิภาพของแบบจำลองที่คุณสร้าง
หัวข้อในเล่ม
- การเรียนรู้ Python และการเรียนรู้ของเครื่อง: คู่มือสำหรับผู้เริ่มต้น
- ตรวจสอบชุดข้อมูล 2 กลุ่มข่าวและการตรวจจับอีเมลขยะของ Naive Bayes
- ใช้ SVM จำแนกหัวข้อข่าว การทำนายการคลิกผ่าน โดยใช้อัลกอริทึมตามต้นไม้
- การคาดคะเนอัตราการคลิกผ่านโดยใช้การถดถอยโลจิสติก
- การใช้อัลกอริธึมการถดถอยเพื่อคาดการณ์มาตรฐานสูงสุดของราคาหุ้น
9. หลามแมชชีนเลิร์นนิง
หนังสือ Python Machine Learning อธิบายพื้นฐานของการเรียนรู้ของเครื่องตลอดจนความสำคัญในโดเมนดิจิทัล เป็นหนังสือแมชชีนเลิร์นนิงสำหรับผู้เริ่มต้น
นอกจากนี้ในหนังสือเล่มนี้ยังมีสาขาย่อยและแอปพลิเคชันมากมายของแมชชีนเลิร์นนิง หลักการของการเขียนโปรแกรม Python และวิธีเริ่มต้นใช้งานภาษาโปรแกรมโอเพนซอร์ซฟรีนั้นครอบคลุมอยู่ในหนังสือ Python Machine Learning ด้วย
หลังจากทำหนังสือแมชชีนเลิร์นนิงเสร็จแล้ว คุณจะสามารถสร้างงานแมชชีนเลิร์นนิงจำนวนหนึ่งอย่างมีประสิทธิภาพโดยใช้การเข้ารหัส Python
หัวข้อในเล่ม
- พื้นฐานของปัญญาประดิษฐ์
- ต้นไม้ตัดสินใจ
- การถดถอยโลจิสติก
- โครงข่ายประสาทเทียมเชิงลึก
- พื้นฐานการเขียนโปรแกรมภาษา Python
10. การเรียนรู้ของเครื่อง: มุมมองความน่าจะเป็น
Machine Learning: A Probabilistic Perspective เป็นหนังสือแมชชีนเลิร์นนิงตลกขบขันที่มีกราฟิกสีชวนให้นึกถึงอดีตและตัวอย่างในโลกแห่งความเป็นจริงจากสาขาวิชาต่างๆ เช่น ชีววิทยา คอมพิวเตอร์วิทัศน์ วิทยาการหุ่นยนต์ และการประมวลผลข้อความ
เต็มไปด้วยร้อยแก้วและรหัสเทียมแบบไม่เป็นทางการสำหรับอัลกอริธึมที่จำเป็น แมชชีนเลิร์นนิง: มุมมองที่น่าจะเป็นไปได้ ตรงกันข้ามกับสิ่งพิมพ์ของแมชชีนเลิร์นนิงอื่นๆ ที่นำเสนอในรูปแบบของตำราอาหารและอธิบายแนวทางฮิวริสติกแบบต่างๆ มุ่งเน้นไปที่แนวทางตามแบบจำลองที่มีหลักการ
ระบุโมเดล ml โดยใช้การแสดงแบบกราฟิกในลักษณะที่ชัดเจนและเข้าใจได้ ตำราเล่มนี้ใช้แนวทางที่รวมเป็นหนึ่งและความน่าจะเป็นได้เป็นหนึ่งเดียว ตำราเล่มนี้ให้การแนะนำที่สมบูรณ์และครบถ้วนในตัวเองเกี่ยวกับพื้นที่ของการเรียนรู้ด้วยเครื่อง
เนื้อหามีทั้งแบบกว้างและเชิงลึก รวมถึงเนื้อหาพื้นฐานพื้นฐานในหัวข้อต่างๆ เช่น ความน่าจะเป็น การเพิ่มประสิทธิภาพ และพีชคณิตเชิงเส้น ตลอดจนการอภิปรายเกี่ยวกับความก้าวหน้าร่วมสมัยในพื้นที่ เช่น ฟิลด์สุ่มแบบมีเงื่อนไข การทำให้เป็นมาตรฐาน L1 และการเรียนรู้เชิงลึก
หนังสือเล่มนี้เขียนขึ้นด้วยภาษาที่เข้าถึงได้ง่ายและเป็นกันเอง โดยมีโค้ดหลอกสำหรับอัลกอริธึมหลักที่สำคัญ
หัวข้อในเล่ม
- ความน่าจะเป็น
- เรียนรู้อย่างลึกซึ้ง
- การทำให้เป็นมาตรฐาน L1
- การเพิ่มประสิทธิภาพ
- การประมวลผลข้อความ
- แอพพลิเคชั่น Computer Vision
- แอปพลิเคชั่นหุ่นยนต์
11. องค์ประกอบของการเรียนรู้ทางสถิติ
สำหรับกรอบแนวคิดและหัวข้อที่หลากหลาย หนังสือเรียนการเรียนรู้ของเครื่องเล่มนี้มักเป็นที่ยอมรับในภาคสนาม
หนังสือเล่มนี้สามารถใช้เป็นข้อมูลอ้างอิงสำหรับทุกคนที่ต้องการทำความเข้าใจในหัวข้อต่างๆ เช่น โครงข่ายประสาทเทียมและเทคนิคการทดสอบ ตลอดจนการแนะนำง่ายๆ เกี่ยวกับการเรียนรู้ของเครื่อง
หนังสือเล่มนี้ผลักดันให้ผู้อ่านทำการทดลองและการสืบสวนของตนเองในทุก ๆ ด้าน ทำให้มีค่าสำหรับการฝึกฝนความสามารถและความอยากรู้อยากเห็นที่จำเป็นต่อความก้าวหน้าที่เกี่ยวข้องในความสามารถหรืองานของแมชชีนเลิร์นนิง
เป็นเครื่องมือสำคัญสำหรับนักสถิติและผู้ที่สนใจในการทำเหมืองข้อมูลในธุรกิจหรือวิทยาศาสตร์ ตรวจสอบให้แน่ใจว่าคุณเข้าใจพีชคณิตเชิงเส้นอย่างน้อยที่สุดก่อนเริ่มหนังสือเล่มนี้
หัวข้อในเล่ม
- การเรียนรู้ภายใต้การดูแล (การทำนาย) กับการเรียนรู้ที่ไม่ได้รับการดูแล
- โครงข่ายประสาท
- สนับสนุนเครื่องเวกเตอร์
- ต้นไม้จำแนก
- เร่งอัลกอริทึม
12. การจดจำรูปแบบและการเรียนรู้ของเครื่อง
โลกของการจดจำรูปแบบและการเรียนรู้ของเครื่องสามารถสำรวจได้อย่างละเอียดในหนังสือเล่มนี้ แนวทาง Bayesian ในการจดจำรูปแบบถูกนำเสนอในเอกสารนี้
นอกจากนี้ หนังสือเล่มนี้ยังตรวจสอบวิชาที่ท้าทายซึ่งจำเป็นต้องมีความเข้าใจในการทำงานของพหุตัวแปร วิทยาศาสตร์ข้อมูล และพีชคณิตเชิงเส้นพื้นฐาน
เกี่ยวกับการเรียนรู้ของเครื่องและความน่าจะเป็น หนังสืออ้างอิงจะนำเสนอบทต่างๆ ที่มีระดับความซับซ้อนที่ยากขึ้นเรื่อยๆ ตามแนวโน้มในชุดข้อมูล มีการยกตัวอย่างง่ายๆ ก่อนการแนะนำทั่วไปเกี่ยวกับการจดจำรูปแบบ
หนังสือเล่มนี้นำเสนอเทคนิคสำหรับการอนุมานโดยประมาณ ซึ่งช่วยให้การประมาณค่าอย่างรวดเร็วในกรณีที่วิธีแก้ปัญหาที่แน่นอนไม่สามารถทำได้ ไม่มีหนังสือเล่มอื่นที่ใช้แบบจำลองกราฟิกเพื่ออธิบายการแจกแจงความน่าจะเป็น แต่มี
หัวข้อในเล่ม
- วิธีการแบบเบย์
- อัลกอริทึมการอนุมานโดยประมาณ
- รุ่นใหม่ตามเมล็ดพืช
- ทฤษฎีความน่าจะเป็นเบื้องต้นเบื้องต้น
- ความรู้เบื้องต้นเกี่ยวกับการจดจำรูปแบบและการเรียนรู้ของเครื่อง
13. พื้นฐานของแมชชีนเลิร์นนิงจากการวิเคราะห์ข้อมูลเชิงทำนาย
หากคุณเข้าใจพื้นฐานของแมชชีนเลิร์นนิงและต้องการก้าวไปสู่การวิเคราะห์ข้อมูลเชิงคาดการณ์ เล่มนี้เหมาะสำหรับคุณ!!! ด้วยการค้นหารูปแบบจากชุดข้อมูลขนาดใหญ่ Machine Learning สามารถใช้ในการพัฒนาแบบจำลองการคาดการณ์ได้
หนังสือเล่มนี้ตรวจสอบการใช้งาน ML utilizing การวิเคราะห์ข้อมูลเชิงทำนาย ในเชิงลึกรวมทั้งหลักการทางทฤษฎีและตัวอย่างที่เกิดขึ้นจริง
แม้ว่าชื่อ “พื้นฐานของการเรียนรู้ของเครื่องสำหรับการวิเคราะห์ข้อมูลเชิงทำนาย” เป็นเพียงคำพูด แต่หนังสือเล่มนี้จะสรุปเส้นทางการวิเคราะห์ข้อมูลเชิงทำนายตั้งแต่ข้อมูลไปจนถึงข้อมูลเชิงลึกไปจนถึงข้อสรุป
นอกจากนี้ยังกล่าวถึงแนวทางการเรียนรู้ของเครื่อง XNUMX วิธี ได้แก่ การเรียนรู้โดยใช้ข้อมูล การเรียนรู้บนความคล้ายคลึงกัน การเรียนรู้บนความน่าจะเป็น และการเรียนรู้จากข้อผิดพลาด โดยแต่ละวิธีมีคำอธิบายแนวคิดที่ไม่ใช่ด้านเทคนิค ตามด้วยแบบจำลองทางคณิตศาสตร์และอัลกอริทึมพร้อมตัวอย่าง
หัวข้อในเล่ม
- การเรียนรู้โดยใช้ข้อมูลเป็นหลัก
- การเรียนรู้ตามความคล้ายคลึงกัน
- การเรียนรู้ตามความน่าจะเป็น
- การเรียนรู้จากข้อผิดพลาด
14. การสร้างแบบจำลองการทำนายประยุกต์
Applied Predictive Modeling จะตรวจสอบกระบวนการสร้างแบบจำลองการคาดการณ์ทั้งหมด เริ่มต้นด้วยขั้นตอนที่สำคัญของการประมวลผลข้อมูลล่วงหน้า การแยกข้อมูล และพื้นฐานการปรับแต่งแบบจำลอง
จากนั้น งานนี้ได้นำเสนอคำอธิบายที่ชัดเจนเกี่ยวกับวิธีการถดถอยและการจำแนกประเภททั้งแบบธรรมดาและล่าสุด โดยเน้นที่การแสดงและแก้ปัญหาความท้าทายด้านข้อมูลในโลกแห่งความเป็นจริง
คู่มือนี้สาธิตทุกแง่มุมของกระบวนการสร้างแบบจำลองด้วยตัวอย่างจากการใช้งานจริงหลายตัวอย่าง และแต่ละบทจะมีรหัส R ที่ครอบคลุมสำหรับแต่ละขั้นตอนของกระบวนการ
เล่มอเนกประสงค์นี้สามารถใช้เป็นข้อมูลเบื้องต้นเกี่ยวกับแบบจำลองการทำนายและกระบวนการสร้างแบบจำลองทั้งหมด เป็นคู่มืออ้างอิงสำหรับผู้ปฏิบัติงาน หรือเป็นข้อความสำหรับหลักสูตรการสร้างแบบจำลองการทำนายขั้นสูงในระดับปริญญาตรีหรือระดับบัณฑิตศึกษา
หัวข้อในเล่ม
- การถดถอยทางเทคนิค
- เทคนิคการจำแนก
- อัลกอริธึม ML ที่ซับซ้อน
15. การเรียนรู้ของเครื่อง: ศิลปะและวิทยาศาสตร์ของอัลกอริทึมที่เข้าใจข้อมูล
หากคุณเป็นระดับกลางหรือเชี่ยวชาญด้านแมชชีนเลิร์นนิงและต้องการ "กลับไปสู่พื้นฐาน" หนังสือเล่มนี้เหมาะสำหรับคุณ! โดยให้เครดิตอย่างเต็มที่กับความซับซ้อนและความลึกมหาศาลของ Machine Learning ในขณะที่ไม่เคยมองข้ามหลักการที่เป็นอันหนึ่งอันเดียวกัน (ความสำเร็จค่อนข้างมาก!)
แมชชีนเลิร์นนิง: ศิลปะและวิทยาศาสตร์ของอัลกอริทึมประกอบด้วยกรณีศึกษาหลายประการเกี่ยวกับความซับซ้อนที่เพิ่มขึ้น ตลอดจนตัวอย่างและรูปภาพจำนวนมาก (เพื่อให้สิ่งต่างๆ น่าสนใจอยู่เสมอ!)
หนังสือเล่มนี้ยังครอบคลุมถึงแบบจำลองเชิงตรรกะ เรขาคณิต และสถิติที่หลากหลาย ตลอดจนวิชาที่ซับซ้อนและแปลกใหม่ เช่น การแยกตัวประกอบของเมทริกซ์และการวิเคราะห์ ROC
หัวข้อในเล่ม
- ลดความซับซ้อนของอัลกอริธึมการเรียนรู้ของเครื่อง
- แบบจำลองลอจิก
- แบบจำลองทางเรขาคณิต
- แบบจำลองทางสถิติ
- การวิเคราะห์ ROC
16. การทำเหมืองข้อมูล: เครื่องมือและเทคนิคการเรียนรู้ของเครื่องจักรที่ใช้งานได้จริง
การใช้แนวทางจากการศึกษาระบบฐานข้อมูล แมชชีนเลิร์นนิง และสถิติ เทคนิคการทำเหมืองข้อมูลช่วยให้เราค้นหารูปแบบในข้อมูลจำนวนมหาศาลได้
คุณควรซื้อหนังสือ Data Mining: Practical Machine Learning Tools and Techniques หากคุณต้องการศึกษาเทคนิคการทำเหมืองข้อมูลโดยเฉพาะหรือวางแผนที่จะเรียนรู้แมชชีนเลิร์นนิงโดยทั่วไป
หนังสือที่ดีที่สุดเกี่ยวกับการเรียนรู้ของเครื่องจะเน้นที่ด้านเทคนิคมากกว่า โดยจะเจาะลึกลงไปในความซับซ้อนทางเทคนิคของแมชชีนเลิร์นนิง และกลยุทธ์ในการรวบรวมข้อมูลและการใช้อินพุตและเอาต์พุตต่างๆ เพื่อตัดสินผลลัพธ์
หัวข้อในเล่ม
- โมเดลเชิงเส้น
- การจัดกลุ่ม
- การสร้างแบบจำลองทางสถิติ
- คาดการณ์ประสิทธิภาพ
- การเปรียบเทียบวิธีการขุดข้อมูล
- การเรียนรู้ตามอินสแตนซ์
- การแสดงความรู้และคลัสเตอร์
- เทคนิคการทำเหมืองข้อมูลแบบดั้งเดิมและสมัยใหม่
17. Python สำหรับการวิเคราะห์ข้อมูล
ความสามารถในการประเมินข้อมูลที่ใช้ในการเรียนรู้ของเครื่องเป็นทักษะที่สำคัญที่สุดที่นักวิทยาศาสตร์ข้อมูลต้องมี ก่อนที่จะพัฒนาแบบจำลอง ML ที่สร้างการคาดการณ์ที่แม่นยำ งานส่วนใหญ่จะรวมถึงการจัดการ การประมวลผล การทำความสะอาด และการประเมินข้อมูล
คุณต้องคุ้นเคยกับภาษาโปรแกรม เช่น Pandas, NumPy, Ipython และอื่นๆ เพื่อดำเนินการวิเคราะห์ข้อมูล
หากคุณต้องการทำงานด้านวิทยาศาสตร์ข้อมูลหรือแมชชีนเลิร์นนิง คุณต้องมีความสามารถในการจัดการข้อมูล
คุณควรอ่านหนังสือ Python for Data Analysis ในกรณีนี้อย่างแน่นอน
หัวข้อในเล่ม
- สำคัญ Python ไลบรารี่
- แพนด้าขั้นสูง
- ตัวอย่างการวิเคราะห์ข้อมูล
- การล้างข้อมูลและการเตรียมข้อมูล
- วิธีการทางคณิตศาสตร์และสถิติ
- สรุปและคำนวณสถิติเชิงพรรณนา
18. การประมวลผลภาษาธรรมชาติด้วย Python
รากฐานของระบบการเรียนรู้ของเครื่องคือการประมวลผลภาษาธรรมชาติ
หนังสือ Natural Language Processing with Python จะแนะนำวิธีใช้ NLTK ซึ่งเป็นคอลเล็กชันโมดูล Python และเครื่องมือยอดนิยมสำหรับการประมวลผลภาษาธรรมชาติเชิงสัญลักษณ์และทางสถิติสำหรับภาษาอังกฤษและ NLP โดยทั่วไป
หนังสือ Natural Language Processing with Python นำเสนอรูทีนของ Python ที่มีประสิทธิภาพซึ่งแสดงให้เห็น NLP อย่างกระชับและชัดเจน
ผู้อ่านสามารถเข้าถึงชุดข้อมูลที่มีคำอธิบายประกอบอย่างดีสำหรับจัดการกับข้อมูลที่ไม่มีโครงสร้าง โครงสร้างภาษาข้อความ และองค์ประกอบที่เน้น NLP อื่นๆ
หัวข้อในเล่ม
- ภาษามนุษย์ทำงานอย่างไร?
- โครงสร้างข้อมูลทางภาษาศาสตร์
- ชุดเครื่องมือภาษาธรรมชาติ (NLTK)
- การแยกวิเคราะห์และการวิเคราะห์เชิงความหมาย
- ฐานข้อมูลภาษาศาสตร์ยอดนิยม
- ผสานเทคนิคจาก ปัญญาประดิษฐ์ และภาษาศาสตร์
19. การเขียนโปรแกรมปัญญารวม
Programming Collective Intelligence โดย Toby Segaran ซึ่งถือได้ว่าเป็นหนึ่งในหนังสือที่ยิ่งใหญ่ที่สุดในการเริ่มทำความเข้าใจแมชชีนเลิร์นนิง ถูกเขียนขึ้นในปี 2007 หลายปีก่อนที่วิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิงจะบรรลุตำแหน่งปัจจุบันในฐานะเส้นทางอาชีพชั้นนำ
หนังสือเล่มนี้ใช้ Python เป็นวิธีการเผยแพร่ความเชี่ยวชาญให้กับผู้ชม Programming Collective Intelligence เป็นคู่มือสำหรับการติดตั้ง ml มากกว่าการแนะนำการเรียนรู้ของเครื่อง
หนังสือเล่มนี้ให้ข้อมูลเกี่ยวกับการพัฒนาอัลกอริธึม ML ที่มีประสิทธิภาพสำหรับการรวบรวมข้อมูลจากแอพ การเขียนโปรแกรมเพื่อรับข้อมูลจากเว็บไซต์ และการคาดการณ์ข้อมูลที่รวบรวม
แต่ละบทประกอบด้วยกิจกรรมสำหรับการขยายอัลกอริทึมที่กล่าวถึงและเพิ่มประสิทธิภาพของอัลกอริธึม
หัวข้อในเล่ม
- การกรองแบบเบย์
- สนับสนุนเครื่องเวกเตอร์
- อัลกอริทึมของเครื่องมือค้นหา
- วิธีการทำนาย
- เทคนิคการกรองการทำงานร่วมกัน
- การแยกตัวประกอบเมทริกซ์ที่ไม่เป็นลบ
- พัฒนาปัญญาในการแก้ปัญหา
- วิธีการตรวจหากลุ่มหรือรูปแบบ
20. การเรียนรู้เชิงลึก (ชุดการคำนวณแบบปรับตัวและการเรียนรู้ของเครื่อง)
อย่างที่เราทุกคนทราบดีว่าการเรียนรู้เชิงลึกเป็นการเรียนรู้ของเครื่องที่ได้รับการปรับปรุงซึ่งช่วยให้คอมพิวเตอร์สามารถเรียนรู้จากประสิทธิภาพที่ผ่านมาและข้อมูลจำนวนมาก
ในขณะที่ใช้เทคนิคแมชชีนเลิร์นนิง คุณต้องคุ้นเคยกับหลักการเรียนรู้เชิงลึกด้วย หนังสือเล่มนี้ซึ่งถือเป็นพระคัมภีร์แห่งการเรียนรู้เชิงลึกจะมีประโยชน์มากในสถานการณ์นี้
ผู้เชี่ยวชาญด้านการเรียนรู้เชิงลึกสามคนครอบคลุมหัวข้อที่ซับซ้อนสูงซึ่งเต็มไปด้วยคณิตศาสตร์และแบบจำลองเชิงลึกในหนังสือเล่มนี้
โดยให้พื้นฐานทางคณิตศาสตร์และแนวคิด งานนี้กล่าวถึงแนวคิดที่เกี่ยวข้องในพีชคณิตเชิงเส้น ทฤษฎีความน่าจะเป็น ทฤษฎีข้อมูล การคำนวณเชิงตัวเลข และการเรียนรู้ของเครื่อง
โดยจะตรวจสอบแอปพลิเคชันต่างๆ เช่น การประมวลผลภาษาธรรมชาติ การรู้จำคำพูด คอมพิวเตอร์วิทัศน์ ระบบการแนะนำออนไลน์ ชีวสารสนเทศ และวิดีโอเกม และอธิบายเทคนิคการเรียนรู้เชิงลึกที่ใช้โดยผู้ปฏิบัติงานในอุตสาหกรรม เช่น เครือข่าย Deep feedforward การปรับให้เป็นมาตรฐาน และอัลกอริธึมการปรับให้เหมาะสม เครือข่าย Convolutional และวิธีการปฏิบัติ .
หัวข้อในเล่ม
- การคำนวณเชิงตัวเลข
- การวิจัยการเรียนรู้เชิงลึก
- เทคนิคคอมพิวเตอร์วิชั่น
- เครือข่ายฟีดฟอร์เวิร์ดเชิงลึก
- การเพิ่มประสิทธิภาพสำหรับโมเดลการฝึกอบรมเชิงลึก
- ระเบียบวิธีปฏิบัติ
- การวิจัยการเรียนรู้เชิงลึก
สรุป
หนังสือแมชชีนเลิร์นนิงยอดนิยม 20 เล่มได้รับการสรุปในรายการนั้น ซึ่งคุณสามารถใช้เพื่อพัฒนาการเรียนรู้ของเครื่องไปในทิศทางที่คุณต้องการได้
คุณจะสามารถพัฒนารากฐานที่มั่นคงในความเชี่ยวชาญด้านแมชชีนเลิร์นนิงและห้องสมุดอ้างอิงที่คุณสามารถใช้บ่อยๆ ขณะทำงานในพื้นที่ได้ หากคุณอ่านหนังสือเรียนเหล่านี้หลายเล่ม
คุณจะได้รับแรงบันดาลใจให้เรียนรู้ต่อไป เก่งขึ้น และมีผล แม้ว่าคุณจะอ่านหนังสือเพียงเล่มเดียว
เมื่อคุณพร้อมและมีความสามารถในการพัฒนาอัลกอริธึมการเรียนรู้ด้วยเครื่องของคุณเอง โปรดจำไว้ว่าข้อมูลมีความสำคัญอย่างยิ่งต่อความสำเร็จของโครงการของคุณ
เขียนความเห็น