Talaan ng nilalaman[Tago][Ipakita]
Siyanga pala, alam nating lahat kung gaano kabilis umunlad ang teknolohiya sa pag-aaral ng machine sa nakalipas na ilang taon. Ang machine learning ay isang disiplina na nakaakit ng interes ng ilang korporasyon, akademya, at sektor.
Dahil dito, tatalakayin ko ang ilan sa mga pinakamahusay na libro sa machine learning na dapat basahin ng isang engineer o newbie ngayon. Dapat lahat ay sumang-ayon na ang pagbabasa ng mga libro ay hindi katulad ng paggamit ng talino.
Ang pagbabasa ng mga libro ay nakakatulong sa ating isipan na makatuklas ng maraming bagong bagay. Ang pagbabasa ay pag-aaral, pagkatapos ng lahat. Ang isang self-Learner tag ay napakasayang magkaroon. Ang pinakadakilang mga aklat-aralin na magagamit sa larangan ay iha-highlight sa artikulong ito.
Ang mga sumusunod na aklat-aralin ay nag-aalok ng sinubukan-at-totoong pagpapakilala sa mas malaking larangan ng AI at kadalasang ginagamit sa mga kurso sa unibersidad at inirerekomenda ng mga akademya at mga inhinyero.
Kahit na mayroon kang isang tonelada ng machine learning karanasan, ang pagkuha ng isa sa mga aklat-aralin na ito ay maaaring isang napakahusay na paraan upang mag-ayos. Pagkatapos ng lahat, ang pag-aaral ay isang tuluy-tuloy na proseso.
1. Machine Learning Para sa Mga Ganap na Nagsisimula
Gusto mong mag-aral ng machine learning ngunit hindi mo alam kung paano ito gagawin. Mayroong ilang mahahalagang teoretikal at istatistikal na konsepto na dapat mong maunawaan bago simulan ang iyong epic trip sa machine learning. At pinupunan ng aklat na ito ang pangangailangang iyon!
Nag-aalok ito ng mga kumpletong baguhan na may mataas na antas, naaangkop panimula sa machine learning. Ang aklat na Machine Learning for Absolute Beginners ay isa sa mga pinakamahusay na pagpipilian para sa sinumang naghahanap ng pinakasimpleng paliwanag ng machine learning at mga nauugnay na ideya.
Ang maraming ml algorithm ng libro ay sinamahan ng maigsi na mga paliwanag at mga graphic na halimbawa upang matulungan ang mga mambabasa na maunawaan ang lahat ng tinalakay.
Mga paksang sakop sa aklat
- Batayan ng neural network
- Pagsusuri ng pagbabalik
- Tampok na engineering
- Clustering
- Cross-validation
- Mga diskarte sa pag-scrub ng data
- Mga Puno ng Desisyon
- Pagmomodelo ng grupo
2. Machine Learning para sa mga Dummies
Maaaring isang nakalilitong ideya ang machine learning para sa mga regular na tao. Gayunpaman, ito ay hindi mabibili sa atin na may kaalaman.
Kung walang ML, mahirap pamahalaan ang mga isyu tulad ng mga resulta ng paghahanap sa online, real-time na mga advertisement sa mga web page, automation, o kahit na pag-filter ng spam (Yeah!).
Bilang resulta, ang aklat na ito ay nag-aalok sa iyo ng isang direktang panimula na makakatulong sa iyong matuto nang higit pa tungkol sa misteryosong larangan ng machine learning. Sa tulong ng Machine Learning For Dummies, matututunan mo kung paano "magsalita" ng mga wika tulad ng Python at R, na magbibigay-daan sa iyong sanayin ang mga computer na gumawa ng pattern recognition at pagsusuri ng data.
Bukod pa rito, matututunan mo kung paano gamitin ang Anaconda at R Studio ng Python upang bumuo sa R.
Mga paksang sakop sa aklat
- Paghahanda ng datos
- diskarte para sa machine learning
- Ang ikot ng pag-aaral ng makina
- Pinangangasiwaan at hindi pinangangasiwaang pag-aaral
- Pagsasanay sa mga machine learning system
- Pagtali ng mga pamamaraan ng machine learning sa mga resulta
3. Ang Hundred Page Machine Learning Book
Posible bang masakop ang lahat ng aspeto ng machine learning sa ilalim ng 100 na pahina? Ang The Hundred-Page Machine Learning Book ni Andriy Burkov ay isang pagtatangka na gawin din ito.
Ang machine learning book ay mahusay na isinulat at sinusuportahan ng mga kilalang pinuno ng pag-iisip kabilang sina Sujeet Varakhedi, Head of Engineering sa eBay, at Peter Norvig, Direktor ng Pananaliksik sa Google.
Ito ang pinakadakilang libro para sa isang baguhan sa machine learning. Pagkatapos ng masusing pagbabasa ng libro, magagawa mong bumuo at maunawaan ang mga sopistikadong AI system, magtagumpay sa isang pakikipanayam sa pag-aaral ng machine, at kahit na ilunsad ang iyong sariling kumpanya na nakabase sa ML.
Gayunpaman, ang aklat ay hindi inilaan para sa mga kumpletong nagsisimula sa machine learning. Tumingin sa isang lugar kung naghahanap ka ng mas mahalaga.
Mga paksang sakop sa aklat
- Anatomy ng a algorithm sa pag-aaral
- Pinangangasiwaang pag-aaral at hindi pinangangasiwaang pag-aaral
- Pagpapatibay ng Pagkatuto
- Mga pangunahing algorithm ng Machine Learning
- Pangkalahatang-ideya ng mga Neural network at malalim na pag-aaral
4. Pag-unawa sa Machine Learning
Ang isang sistematikong pagpapakilala sa machine learning ay ibinibigay sa aklat na Understanding Machine Learning. Malalim na tinatalakay ng aklat ang mga pangunahing ideya, computational paradigms, at mathematical derivations ng machine learning.
Ang isang malawak na hanay ng mga paksa sa machine learning ay ipinakita sa isang simpleng paraan ng machine learning. Ang mga teoretikal na pundasyon ng pag-aaral ng makina ay inilarawan sa aklat, kasama ang mga derivasyon ng matematika na ginagawang mga kapaki-pakinabang na algorithm ang mga pundasyong ito.
Inilalahad ng aklat ang mga pangunahing kaalaman bago sumaklaw sa isang malawak na hanay ng mga mahahalagang paksa na hindi pa sakop ng mga naunang aklat-aralin.
Kasama dito ang talakayan ng convexity at stability na mga konsepto at computational complexity ng pag-aaral, pati na rin ang makabuluhang algorithmic paradigms tulad ng stochastic gradient descent, neural network, at structured output learning, pati na rin ang mga bagong umuusbong na teoretikal na ideya tulad ng PAC-Bayes approach at compression-based bounds. idinisenyo para sa mga nagsisimulang nagtapos o mga advanced na undergraduates.
Mga paksang sakop sa aklat
- Ang computational complexity ng machine learning
- Mga algorithm ng ML
- Neural network
- diskarte ng PAC-Bayes
- Stochastic gradient descent
- Structured output learning
5. Panimula sa Machine Learning gamit ang Python
Ikaw ba ay isang Python-savvy data scientist na gustong mag-aral ng machine learning? Ang pinakamagandang libro para simulan ang iyong pakikipagsapalaran sa pag-aaral ng machine ay ang Panimula sa Machine Learning gamit ang Python: Isang Gabay para sa Mga Data Scientist.
Sa tulong ng aklat na Introduction to Machine Learning with Python: A Guide for Data Scientists, matutuklasan mo ang iba't ibang mga kapaki-pakinabang na diskarte para sa paglikha ng mga custom na machine learning program.
Sasaklawin mo ang bawat mahalagang hakbang na kasangkot sa paggamit ng Python at ang Scikit-Learn package para makabuo ng mga maaasahang application ng machine learning.
Ang pagkakaroon ng matatag na kaalaman sa matplotlib at NumPy na mga aklatan ay magpapadali sa pag-aaral.
Mga paksang sakop sa aklat
- Mga modernong pamamaraan para sa pagsasaayos ng parameter at pagtatasa ng modelo
- Mga application at pangunahing ideya sa machine learning
- automated learning techniques
- Mga pamamaraan para sa pagmamanipula ng data ng teksto
- Model chaining at workflow encapsulation pipelines
- Representasyon ng data pagkatapos ng pagproseso
6. Hands-on Machine Learning gamit ang Sci-kit learn, Keras at Tensorflow
Kabilang sa mga pinaka-masusing publikasyon sa data science at machine learning, ito ay puno ng kaalaman. Pinapayuhan na ang mga eksperto at mga baguhan ay mag-aral nang higit pa tungkol sa paksang ito.
Bagama't ang aklat na ito ay naglalaman lamang ng kaunting teorya, ito ay sinusuportahan ng mga matitinding halimbawa, na nagbibigay ito ng puwesto sa listahan.
Kasama sa aklat na ito ang iba't ibang paksa, kabilang ang scikit-learn para sa mga proyekto ng machine learning at TensorFlow para sa paggawa at pagsasanay ng mga neural network.
Kasunod ng pagbabasa ng aklat na ito, sa palagay namin ay mas magiging handa ka para pag-aralan pa malalim na pag-aaral at harapin ang mga praktikal na problema.
Mga paksang sakop sa aklat
- Suriin ang tanawin ng machine learning, lalo na ang mga neural network
- Subaybayan ang isang sample machine learning project mula simula hanggang sa konklusyon gamit ang Scikit-Learn.
- Suriin ang ilang mga modelo ng pagsasanay, tulad ng mga diskarte ng ensemble, random na kagubatan, decision tree, at support vector machine.
- Gumawa at sanayin ang mga neural network sa pamamagitan ng paggamit ng TensorFlow library.
- Isaalang-alang ang mga convolutional network, paulit-ulit na lambat, at malalim na pag-aaral ng reinforcement habang nag-e-explore neural net disenyo.
- Matutunan kung paano sukatin at sanayin ang mga malalim na neural network.
7. Machine Learning para sa mga Hacker
Para sa batikang programmer na interesado sa pagsusuri ng data, isinulat ang aklat na Machine Learning for Hackers. Ang mga hacker ay mga bihasang mathematician sa kontekstong ito.
Para sa isang taong may matatag na pag-unawa sa R, ang aklat na ito ay isang mahusay na pagpipilian dahil ang karamihan sa mga ito ay nakasentro sa pagsusuri ng data sa R. Bukod pa rito, saklaw ng aklat ay kung paano manipulahin ang data gamit ang advanced na R.
Ang pagsasama ng mga nauugnay na kwento ng kaso ay nagbibigay-diin sa halaga ng paggamit ng mga algorithm sa pag-aaral ng machine na maaaring ang aklat na Machine Learning para sa mga Hacker na pinakamahalagang selling point.
Ang aklat ay nagbibigay ng maraming mga real-world na halimbawa upang gawing mas simple at mas mabilis ang pag-aaral ng machine learning sa halip na palalimin ang teorya nito sa matematika.
Mga paksang sakop sa aklat
- Gumawa ng walang muwang na Bayesian classifier na nagsusuri sa nilalaman ng isang email upang matukoy kung ito ay spam.
- Paghula sa bilang ng mga page view para sa nangungunang 1,000 website gamit ang linear regression
- Siyasatin ang mga paraan ng pag-optimize sa pamamagitan ng pagtatangkang i-crack ang isang diretsong letter cipher.
8. Python Machine Learning na may mga Halimbawa
Ang aklat na ito, na tumutulong sa iyong maunawaan at lumikha ng iba't ibang paraan ng Machine Learning, Deep Learning, at Data Analysis, ay ang isa lamang na nakatutok lamang sa Python bilang isang programming language.
Sinasaklaw nito ang ilang makapangyarihang library para sa pagpapatupad ng iba't ibang algorithm ng Machine Learning, gaya ng Scikit-Learn. Ang module ng Tensor Flow ay gagamitin upang ituro sa iyo ang tungkol sa malalim na pag-aaral.
Sa wakas, ipinapakita nito ang maraming pagkakataon sa pagsusuri ng data na maaaring makamit gamit ang makina at malalim na pag-aaral.
Itinuturo din nito sa iyo ang maraming mga diskarte na maaaring magamit upang mapataas ang pagiging epektibo ng modelo na iyong nilikha.
Mga paksang sakop sa aklat
- Pag-aaral ng Python at Machine Learning: Isang Gabay sa Baguhan
- Sinusuri ang 2 newsgroups data set at Naive Bayes spam email detection
- Gamit ang mga SVM, uriin ang mga paksa ng mga kwento ng balita Click-through na hula gamit ang mga algorithm batay sa mga puno
- Paghula ng click-through rate gamit ang logistic regression
- Ang paggamit ng mga algorithm ng regression upang hulaan ang pinakamataas na pamantayan ng mga presyo ng stock
9. Python Machine Learning
Ipinapaliwanag ng aklat ng Python Machine Learning ang mga pangunahing kaalaman ng machine learning pati na rin ang kahalagahan nito sa digital domain. Ito ay isang machine learning book para sa mga nagsisimula.
Karagdagang sakop sa aklat ay ang maraming subfield at application ng machine learning. Ang mga prinsipyo ng Python programming at kung paano magsimula sa libre at open-source na programming language ay sakop din sa Python Machine Learning book.
Pagkatapos tapusin ang aklat sa pag-aaral ng makina, magagawa mong epektibong magtatag ng ilang trabaho sa pag-aaral ng makina gamit ang Python coding.
Mga paksang sakop sa aklat
- Mga pangunahing kaalaman sa artificial intelligence
- isang puno ng desisyon
- Logistic regression
- Mga malalalim na neural network
- Mga pangunahing kaalaman sa wikang programming ng Python
10. Machine Learning: Isang Probabilistikong Perspektibo
Machine Learning: Ang Probabilistic Perspective ay isang nakakatawang machine learning book na nagtatampok ng nostalgic na color graphics at praktikal, totoong mundo na mga halimbawa mula sa mga disiplina gaya ng biology, computer vision, robotics, at pagpoproseso ng text.
Puno ito ng kaswal na prosa at pseudocode para sa mahahalagang algorithm. Machine Learning: Isang Probabilistic Perspective, sa kaibahan sa iba pang machine learning publication na ipinakita sa istilo ng isang cookbook at naglalarawan ng iba't ibang heuristic approach, ay nakatutok sa isang maprinsipyong diskarte na nakabatay sa modelo.
Tinutukoy nito ang mga modelo ng ml gamit ang mga graphical na representasyon sa isang malinaw at naiintindihan na paraan. Batay sa isang pinag-isang, probabilistikong diskarte, ang aklat-aralin na ito ay nagbibigay ng isang kumpletong at self-contained na panimula sa lugar ng machine learning.
Ang nilalaman ay parehong malawak at malalim, kabilang ang pangunahing background na materyal sa mga paksa tulad ng probability, optimization, at linear algebra, pati na rin ang isang talakayan ng mga kontemporaryong pagsulong sa lugar tulad ng conditional random fields, L1 regularization, at deep learning.
Ang aklat ay nakasulat sa isang kaswal, madaling lapitan na wika, na naglalaman ng pseudo-code para sa mga pangunahing makabuluhang algorithm.
Mga paksang sakop sa aklat
- Probabilidad
- Malalim na pag-aaral
- L1 regularisasyon
- Optimization
- Pagproseso ng teksto
- Mga application ng Computer Vision
- Mga application ng robotics
11. Ang Elemento ng Statistical Learning
Para sa konseptwal na balangkas nito at maraming iba't ibang paksa, ang machine learning textbook na ito ay madalas na kinikilala sa larangan.
Maaaring gamitin ang aklat na ito bilang sanggunian para sa sinumang kailangang mag-ayos sa mga paksa tulad ng mga neural network at mga diskarte sa pagsubok pati na rin ang isang simpleng panimula sa machine learning.
Ang aklat ay agresibong itinutulak ang mambabasa na gumawa ng kanilang sariling mga eksperimento at pagsisiyasat sa bawat pagkakataon, na ginagawa itong mahalaga para sa paglinang ng mga kakayahan at kuryusidad na kinakailangan upang gumawa ng mga nauugnay na pagsulong sa isang kapasidad sa pagkatuto ng makina o trabaho.
Ito ay isang mahalagang tool para sa mga istatistika at sinumang interesado sa data mining sa negosyo o agham. Tiyaking naiintindihan mo ang linear algebra nang hindi bababa sa bago simulan ang aklat na ito.
Mga paksang sakop sa aklat
- Pinangangasiwaang pag-aaral (paghula) hanggang sa hindi pinangangasiwaang pag-aaral
- Neural network
- Suportahan ang mga makina ng vector
- Mga puno ng pag-uuri
- Pagpapalakas ng mga algorithm
12. Pattern Recognition at Machine Learning
Ang mga mundo ng pattern recognition at machine learning ay maaaring lubusang tuklasin sa aklat na ito. Ang pamamaraang Bayesian sa pagkilala ng pattern ay orihinal na ipinakita sa publikasyong ito.
Higit pa rito, sinusuri ng aklat ang mga mapaghamong paksa na nangangailangan ng gumaganang pag-unawa sa multivariate, data science, at pangunahing linear algebra.
Sa machine learning at probability, nag-aalok ang reference book ng mga kabanata na may unti-unting mas mahirap na antas ng pagiging kumplikado batay sa mga trend sa mga dataset. Ang mga simpleng halimbawa ay ibinibigay bago ang pangkalahatang pagpapakilala sa pattern recognition.
Nag-aalok ang aklat ng mga diskarte para sa tinatayang hinuha, na nagbibigay-daan sa mabilis na pagtatantya sa mga kaso kung kailan hindi praktikal ang mga eksaktong solusyon. Walang ibang mga aklat na gumagamit ng mga graphical na modelo upang ilarawan ang mga pamamahagi ng posibilidad, ngunit ginagawa nito.
Mga paksang sakop sa aklat
- Pamamaraan ng Bayesian
- Tinatayang mga algorithm ng hinuha
- Mga bagong modelo batay sa mga kernel
- Panimula sa pangunahing teorya ng posibilidad
- Panimula sa pattern recognition at machine learning
13. Mga Pangunahing Kaalaman ng Machine Learning mula sa Predictive Data Analytics
Kung pinagkadalubhasaan mo ang mga pangunahing kaalaman ng machine learning at gusto mong magpatuloy sa predictive data analytics, ito ang aklat para sa iyo!!! Sa pamamagitan ng paghahanap ng mga pattern mula sa napakalaking dataset, magagamit ang Machine Learning upang bumuo ng mga modelo ng hula.
Sinusuri ng aklat na ito ang pagpapatupad ng paggamit ng ML Predictive Data Analytics malalim, kabilang ang parehong teoretikal na mga prinsipyo at aktwal na mga halimbawa.
Sa kabila ng katotohanan na ang pamagat na "Mga Pundamental ng Machine Learning para sa Predictive Data Analytics" ay isang bibig, ang aklat na ito ay magbabalangkas ng paglalakbay sa Predictive Data Analytics mula sa data hanggang sa insight hanggang sa isang konklusyon.
Tinatalakay din nito ang apat na diskarte sa pag-aaral ng makina: pag-aaral na nakabatay sa impormasyon, pag-aaral na nakabatay sa pagkakatulad, pag-aaral na nakabatay sa probabilidad, at pag-aaral na nakabatay sa error, bawat isa ay may di-teknikal na paliwanag na konsepto na sinusundan ng mga modelo ng matematika at mga algorithm na may mga halimbawa.
Mga paksang sakop sa aklat
- Pag-aaral na nakabatay sa impormasyon
- Pagkatuto na nakabatay sa pagkakatulad
- Pag-aaral na nakabatay sa posibilidad
- Pag-aaral na nakabatay sa error
14. Inilapat na Predictive Modeling
Sinusuri ng Applied Predictive Modeling ang buong proseso ng predictive modeling, simula sa mga kritikal na yugto ng data preprocessing, data splitting, at model tuning foundations.
Ang gawain ay nagpapakita ng malinaw na paglalarawan ng iba't ibang kumbensyonal at kamakailang pagbabalik at pag-uuri ng mga diskarte, na may pagtuon sa pagpapakita at paglutas ng mga hamon sa data sa totoong mundo.
Ang gabay ay nagpapakita ng lahat ng aspeto ng proseso ng pagmomodelo na may ilang mga hands-on, real-world na mga halimbawa, at ang bawat kabanata ay may kasamang komprehensibong R code para sa bawat yugto ng proseso.
Maaaring gamitin ang multipurpose volume na ito bilang panimula sa mga predictive na modelo at sa buong proseso ng pagmomodelo, bilang reference na gabay para sa mga practitioner, o bilang isang text para sa advanced undergraduate o graduate level predictive modeling courses.
Mga paksang sakop sa aklat
- Teknikal na pagbabalik
- Teknik ng pag-uuri
- Mga kumplikadong ML algorithm
15. Machine Learning: Ang Sining at Agham ng mga Algorithm na May Katuturan sa Data
Kung ikaw ay isang intermediate o dalubhasa sa machine learning at gusto mong "bumalik sa mga pangunahing kaalaman," ang aklat na ito ay para sa iyo! Nagbabayad ito ng buong kredito sa napakalaking kumplikado at lalim ng Machine Learning habang hindi nalilimutan ang pinag-isang mga prinsipyo nito (medyo isang tagumpay!).
Machine Learning: Ang Sining at Agham ng Algorithm ay kinabibilangan ng ilang case study ng pagtaas ng pagiging kumplikado, pati na rin ang maraming halimbawa at larawan (upang panatilihing kawili-wili ang mga bagay!).
Sinasaklaw din ng aklat ang isang malawak na hanay ng mga modelong lohikal, geometriko, at istatistika, pati na rin ang mga kumplikado at nobelang paksa tulad ng matrix factorization at pagsusuri ng ROC.
Mga paksang sakop sa aklat
- Pinapasimple ang mga algorithm ng machine learning
- Lohikal na modelo
- Geometric na modelo
- Istatistika ng modelo
- Pagsusuri ng ROC
16. Pagmimina ng Data: Mga Praktikal na Tool at Teknik sa Machine Learning
Gamit ang mga diskarte mula sa pag-aaral ng mga database system, machine learning, at statistics, ang mga diskarte sa data mining ay nagbibigay-daan sa amin na makahanap ng mga pattern sa napakaraming data.
Dapat mong makuha ang aklat na Data Mining: Practical Machine Learning Tools and Techniques kung kailangan mong pag-aralan ang mga diskarte sa data mining sa partikular o planong matuto ng machine learning sa pangkalahatan.
Ang pinakamahusay na libro sa machine learning ay higit na nakatuon sa teknikal na bahagi nito. Ito ay higit na nagsasaliksik sa mga teknikal na intricacies ng machine learning, at mga diskarte para sa pangangalap ng data at paggamit ng iba't ibang input at output upang hatulan ang mga resulta.
Mga paksang sakop sa aklat
- Mga linear na modelo
- Clustering
- Pagmomodelo ng istatistika
- Paghula sa pagganap
- Paghahambing ng mga pamamaraan ng data mining
- Pag-aaral na nakabatay sa halimbawa
- Representasyon ng kaalaman at mga kumpol
- Tradisyunal at modernong mga diskarte sa pagmimina ng data
17. Python para sa Pagsusuri ng Data
Ang kakayahang suriin ang data na ginamit sa machine learning ay ang pinakamahalagang kasanayan na dapat taglayin ng isang data scientist. Bago bumuo ng modelo ng ML na gumagawa ng tumpak na hula, ang karamihan sa iyong trabaho ay isasama ang paghawak, pagproseso, paglilinis, at pagtatasa ng data.
Kailangan mong maging pamilyar sa mga programming language tulad ng Pandas, NumPy, Ipython, at iba pa upang maisagawa ang pagsusuri ng data.
Kung gusto mong magtrabaho sa data science o machine learning, dapat ay may kakayahan kang manipulahin ang data.
Talagang dapat mong basahin ang aklat na Python para sa Pagsusuri ng Data sa kasong ito.
Mga paksang sakop sa aklat
- mahalaga Mga Aklatan ng Python
- Mga advanced na Panda
- Mga Halimbawa ng Pagsusuri ng Data
- Paglilinis at Paghahanda ng Data
- Mga Paraang Matematika at Istatistika
- Summarizing at Computing Descriptive Statistics
18. Natural na Pagproseso ng Wika gamit ang Python
Ang pundasyon ng mga machine learning system ay natural na pagpoproseso ng wika.
Ang aklat na Natural Language Processing with Python ay nagtuturo sa iyo kung paano gamitin ang NLTK, isang sikat na koleksyon ng mga module at tool ng Python para sa simboliko at istatistikal na pagproseso ng natural na wika para sa Ingles at NLP sa pangkalahatan.
Ang Natural Language Processing with Python book ay nagbibigay ng epektibong Python routines na nagpapakita ng NLP sa isang maikli at malinaw na paraan.
Ang mga mambabasa ay may access sa well-annotated na mga dataset para sa pagharap sa hindi nakaayos na data, text-linguistic na istraktura, at iba pang elementong nakatuon sa NLP.
Mga paksang sakop sa aklat
- Paano gumagana ang wika ng tao?
- Mga istruktura ng data sa wika
- Toolkit ng Natural na Wika (NLTK)
- Pag-parse at pagsusuri ng semantiko
- Mga sikat na database ng lingguwistika
- Isama ang mga diskarte mula sa artificial intelligence at linggwistika
19. Programming Collective Intelligence
Ang Programming Collective Intelligence ni Toby Segaran, na itinuturing na isa sa mga pinakadakilang libro upang simulan ang pag-unawa sa machine learning, ay isinulat noong 2007, mga taon bago maabot ng data science at machine learning ang kanilang kasalukuyang posisyon bilang nangungunang propesyonal na landas.
Ang aklat ay gumagamit ng Python bilang paraan para sa pagpapalaganap ng kadalubhasaan nito sa madla nito. Ang Programming Collective Intelligence ay higit pa sa isang manual para sa pagpapatupad ng ml kaysa ito ay isang panimula sa machine learning.
Nagbibigay ang aklat ng impormasyon sa pagbuo ng mga epektibong ML algorithm para sa pangangalap ng data mula sa mga app, programming para sa pagkuha ng data mula sa mga website, at pag-extrapolate ng data na nakolekta.
Kasama sa bawat kabanata ang mga aktibidad para sa pagpapalawak ng tinalakay na mga algorithm at pagpapahusay ng kanilang pagiging kapaki-pakinabang.
Mga paksang sakop sa aklat
- Pag-filter ng Bayesian
- Suportahan ang mga makina ng vector
- Mga algorithm ng search engine
- Mga paraan upang makagawa ng mga hula
- Collaborative na mga diskarte sa pagsala
- Non-negatibong matrix factorization
- Nagbabagong katalinuhan para sa paglutas ng problema
- Mga pamamaraan para sa pagtukoy ng mga grupo o pattern
20. Deep Learning (Adaptative Computation at Machine Learning Series)
Tulad ng alam nating lahat, ang malalim na pag-aaral ay isang pinahusay na uri ng machine learning na nagbibigay-daan sa mga computer na matuto mula sa nakaraang performance at sa malaking halaga ng data.
Habang gumagamit ng mga diskarte sa pag-aaral ng makina, kailangan mo ring maging pamilyar sa mga prinsipyo ng malalim na pag-aaral. Ang aklat na ito, na itinuring na Bibliya ng malalim na pagkatuto, ay magiging lubhang kapaki-pakinabang sa sitwasyong ito.
Tatlong eksperto sa malalim na pag-aaral ang sumasaklaw sa mga kumplikadong paksa na puno ng matematika at malalim na generative na mga modelo sa aklat na ito.
Nagbibigay ng isang mathematical at conceptual na batayan, tinatalakay ng gawain ang mga mahahalagang ideya sa linear algebra, probability theory, information theory, numerical computation, at machine learning.
Sinusuri nito ang mga application tulad ng natural na pagpoproseso ng wika, speech recognition, computer vision, online recommendation system, bioinformatics, at videogames at naglalarawan ng malalim na mga diskarte sa pag-aaral na ginagamit ng mga practitioner ng industriya, gaya ng mga deep feedforward network, regularization, at optimization algorithm, convolutional network, at praktikal na pamamaraan. .
Mga paksang sakop sa aklat
- Bilang ng Pagkalkula
- Deep Learning Research
- Mga diskarte sa Computer Vision
- Malalim na Feedforward Network
- Pag-optimize para sa Pagsasanay ng Malalim na Mga Modelo
- Praktikal na Pamamaraan
- Deep Learning Research
Konklusyon
Ang 20 nangungunang machine learning na aklat ay naka-summarize sa listahang iyon, na magagamit mo para isulong ang machine learning sa direksyon na gusto mo.
Magagawa mong bumuo ng matibay na pundasyon sa kadalubhasaan sa machine learning at isang reference na library na madalas mong magagamit habang nagtatrabaho sa lugar kung magbabasa ka ng iba't ibang mga textbook na ito.
Ma-inspire ka na patuloy na matuto, gumaling, at magkaroon ng epekto kahit isang libro lang ang binabasa mo.
Kapag handa ka at may kakayahang bumuo ng sarili mong mga algorithm ng machine learning, tandaan na ang data ay napakahalaga sa tagumpay ng iyong proyekto.
Mag-iwan ng Sagot