Mục lục[Ẩn giấu][Chỉ]
Nhân tiện, tất cả chúng ta đều biết công nghệ máy học đã phát triển nhanh như thế nào trong vài năm qua. Máy học là một ngành học đã thu hút sự quan tâm của một số tập đoàn, học viện và lĩnh vực.
Do đó, tôi sẽ thảo luận về một số cuốn sách hay nhất về học máy mà một kỹ sư hoặc người mới nên đọc ngày hôm nay. Chắc hẳn các bạn đều đồng ý rằng đọc sách không giống như sử dụng trí tuệ.
Đọc sách giúp trí óc chúng ta khám phá ra rất nhiều điều mới lạ. Rốt cuộc, đọc là học. Một thẻ tự học rất thú vị để có. Các sách giáo khoa lớn nhất hiện có trong lĩnh vực này sẽ được nêu bật trong bài viết này.
Các sách giáo khoa sau đây cung cấp phần giới thiệu đã được thử và đúng về lĩnh vực AI rộng lớn hơn và thường được sử dụng trong các khóa học đại học và được các học giả cũng như kỹ sư khuyên dùng.
Ngay cả khi bạn có rất nhiều học máy kinh nghiệm, chọn một trong những cuốn sách giáo khoa này có thể là một cách tuyệt vời để học. Suy cho cùng, học tập là một quá trình liên tục.
1. Học máy dành cho người mới bắt đầu
Bạn muốn học máy học nhưng không biết cách thực hiện. Có một số khái niệm lý thuyết và thống kê quan trọng mà bạn nên hiểu trước khi bắt đầu chuyến đi sử thi của mình vào học máy. Và cuốn sách này đáp ứng nhu cầu đó!
Nó cung cấp cho người mới hoàn chỉnh với cấp độ cao, có thể áp dụng giới thiệu về học máy. Cuốn sách Học máy cho người mới bắt đầu tuyệt đối là một trong những lựa chọn tốt nhất cho bất kỳ ai đang tìm kiếm lời giải thích đơn giản nhất về học máy và các ý tưởng liên quan.
Nhiều thuật toán ml của cuốn sách được đi kèm với các giải thích ngắn gọn và các ví dụ đồ họa để giúp người đọc hiểu mọi thứ được thảo luận.
Các chủ đề trong sách
- Những điều cơ bản của mạng thần kinh
- Phân tích hồi quy
- Kỹ thuật tính năng
- Clustering
- Xác thực chéo
- Kỹ thuật lọc dữ liệu
- Cây quyết định
- Mô hình nhóm
2. Học máy cho người giả
Học máy có thể là một ý tưởng khó hiểu đối với những người bình thường. Tuy nhiên, nó là vô giá đối với những người trong chúng ta, những người hiểu biết.
Không có ML, thật khó để quản lý các vấn đề như kết quả tìm kiếm trực tuyến, quảng cáo thời gian thực trên các trang web, tự động hóa hoặc thậm chí lọc thư rác (Yeah!).
Do đó, cuốn sách này cung cấp cho bạn phần giới thiệu đơn giản sẽ giúp bạn tìm hiểu thêm về lĩnh vực bí ẩn của học máy. Với sự hỗ trợ của Machine Learning For Dummies, bạn sẽ học cách "nói" các ngôn ngữ như Python và R, điều này sẽ cho phép bạn đào tạo máy tính thực hiện nhận dạng mẫu và phân tích dữ liệu.
Ngoài ra, bạn sẽ học cách sử dụng Anaconda và R Studio của Python để phát triển trong R.
Các chủ đề trong sách
- Chuẩn bị dữ liệu
- phương pháp tiếp cận cho học máy
- Chu kỳ học máy
- Học tập có giám sát và không giám sát
- Đào tạo hệ thống máy học
- Ràng buộc các phương pháp học máy với kết quả
3. Sách Máy học Trăm trang
Có khả thi để bao gồm tất cả các khía cạnh của học máy trong dưới 100 trang không? Cuốn sách Máy học hàng trăm trang của Andriy Burkov là một nỗ lực để làm điều tương tự.
Cuốn sách học máy được viết tốt và được hỗ trợ bởi các nhà lãnh đạo tư tưởng nổi tiếng bao gồm Sujeet Varakhedi, Trưởng bộ phận Kỹ thuật tại eBay và Peter Norvig, Giám đốc Nghiên cứu của Google.
Đây là cuốn sách hay nhất dành cho người mới bắt đầu học máy. Sau khi đọc kỹ cuốn sách, bạn sẽ có thể xây dựng và hiểu các hệ thống AI tinh vi, thành công trong một cuộc phỏng vấn máy học và thậm chí thành lập công ty dựa trên ML của riêng bạn.
Tuy nhiên, cuốn sách không dành cho những người mới bắt đầu học máy hoàn chỉnh. Hãy tìm nơi nào đó nếu bạn đang tìm kiếm bất cứ điều gì cơ bản hơn.
Các chủ đề trong sách
- Giải phẫu của một thuật toán học
- Học tập có giám sát và học tập không giám sát
- Học tăng cường
- Các thuật toán cơ bản của Học máy
- Tổng quan về mạng thần kinh và học sâu
4. Hiểu về học máy
Phần giới thiệu có hệ thống về học máy được cung cấp trong cuốn sách Hiểu về học máy. Cuốn sách đi sâu vào các ý tưởng nền tảng, các mô hình tính toán và các dẫn xuất toán học của học máy.
Một loạt các chủ đề học máy được trình bày một cách đơn giản bằng máy học. Các cơ sở lý thuyết của học máy được mô tả trong cuốn sách, cùng với các dẫn xuất toán học biến những nền tảng này thành các thuật toán hữu ích.
Cuốn sách trình bày các nguyên tắc cơ bản trước khi đề cập đến một loạt các chủ đề quan trọng mà các sách giáo khoa trước đó chưa đề cập đến.
Bao gồm trong phần này là một cuộc thảo luận về các khái niệm độ lồi và tính ổn định và độ phức tạp tính toán của việc học, cũng như các mô hình thuật toán quan trọng như ngẫu nhiên. xuống dốc, mạng thần kinh và học đầu ra có cấu trúc, cũng như các ý tưởng lý thuyết mới nổi như phương pháp PAC-Bayes và giới hạn dựa trên nén. được thiết kế cho sinh viên mới tốt nghiệp hoặc sinh viên đại học nâng cao.
Các chủ đề trong sách
- Sự phức tạp tính toán của học máy
- Thuật toán ML
- Mạng lưới thần kinh
- Phương pháp PAC-Bayes
- Stochastic gradient giảm xuống
- Học tập đầu ra có cấu trúc
5. Giới thiệu về Học máy với Python
Bạn có phải là một nhà khoa học dữ liệu am hiểu về Python, người muốn nghiên cứu về học máy? Cuốn sách tốt nhất để bắt đầu cuộc phiêu lưu học máy của bạn là Giới thiệu về Học máy với Python: Hướng dẫn cho các nhà khoa học dữ liệu.
Với sự trợ giúp của cuốn sách Giới thiệu về Học máy với Python: Hướng dẫn cho các nhà khoa học dữ liệu, bạn sẽ khám phá nhiều kỹ thuật hữu ích để tạo các chương trình học máy tùy chỉnh.
Bạn sẽ bao gồm mọi bước quan trọng liên quan đến việc sử dụng Python và gói Scikit-Learn để xây dựng các ứng dụng học máy đáng tin cậy.
Nắm chắc thư viện matplotlib và NumPy sẽ giúp việc học dễ dàng hơn nhiều.
Các chủ đề trong sách
- Các kỹ thuật hiện đại để tinh chỉnh tham số và đánh giá mô hình
- Ứng dụng và ý tưởng học máy cơ bản
- kỹ thuật học tự động
- Kỹ thuật xử lý dữ liệu văn bản
- Chuỗi mô hình và đường ống đóng gói quy trình làm việc
- Biểu diễn dữ liệu sau khi xử lý
6. Học máy thực hành với Sci-kit learning, Keras & Tensorflow
Trong số các ấn phẩm kỹ lưỡng nhất về khoa học dữ liệu và máy học, nó chứa đầy kiến thức. Chúng tôi khuyên rằng các chuyên gia cũng như những người mới tập nghiên cứu thêm về chủ đề này.
Mặc dù cuốn sách này chỉ chứa một lượng nhỏ lý thuyết, nhưng nó được hỗ trợ bởi các ví dụ mạnh mẽ, giúp nó có một vị trí trong danh sách.
Cuốn sách này bao gồm nhiều chủ đề khác nhau, bao gồm scikit-learning cho các dự án máy học và TensorFlow để tạo và đào tạo mạng nơ-ron.
Sau khi đọc cuốn sách này, chúng tôi nghĩ rằng bạn sẽ được trang bị tốt hơn để nghiên cứu sâu hơn về học kĩ càng và giải quyết các vấn đề thực tế.
Các chủ đề trong sách
- Kiểm tra bối cảnh của học máy, đặc biệt là mạng nơ-ron
- Theo dõi một dự án máy học mẫu từ đầu đến cuối bằng Scikit-Learn.
- Kiểm tra một số mô hình đào tạo, chẳng hạn như kỹ thuật tập hợp, rừng ngẫu nhiên, cây quyết định và máy vectơ hỗ trợ.
- Tạo và đào tạo mạng nơ-ron bằng cách sử dụng thư viện TensorFlow.
- Xem xét các mạng phức hợp, mạng lặp lại và học tập củng cố sâu trong khi khám phá mạng lưới thần kinh thiết kế.
- Tìm hiểu cách mở rộng quy mô và đào tạo mạng nơ-ron sâu.
7. Học máy dành cho tin tặc
Đối với những lập trình viên dày dạn quan tâm đến phân tích dữ liệu, cuốn sách Học máy dành cho tin tặc được viết. Tin tặc là những nhà toán học lành nghề trong bối cảnh này.
Đối với những người có hiểu biết vững chắc về R, cuốn sách này là một lựa chọn tuyệt vời vì phần lớn nội dung tập trung vào phân tích dữ liệu trong R. Ngoài ra, cuốn sách còn được đề cập đến cách thao tác dữ liệu bằng R nâng cao.
Việc bao gồm các câu chuyện tình huống thích hợp nhấn mạnh giá trị của việc sử dụng các thuật toán học máy có thể là cuốn sách Học máy cho điểm bán hàng quan trọng nhất của Tin tặc.
Cuốn sách đưa ra nhiều ví dụ thực tế để làm cho việc học máy học đơn giản và nhanh hơn thay vì đi sâu vào lý thuyết toán học của nó.
Các chủ đề trong sách
- Tạo một trình phân loại Bayesian đơn giản phân tích nội dung của một email để xác định xem nó có phải là thư rác hay không.
- Dự đoán số lượt xem trang cho 1,000 trang web hàng đầu bằng cách sử dụng hồi quy tuyến tính
- Điều tra các phương pháp tối ưu hóa bằng cách cố gắng bẻ khóa mật mã chữ cái đơn giản.
8. Học máy Python với các ví dụ
Cuốn sách này, giúp bạn hiểu và tạo ra các phương pháp Học máy, Học sâu và Phân tích dữ liệu khác nhau, có thể là cuốn sách duy nhất chỉ tập trung vào Python như một ngôn ngữ lập trình.
Nó bao gồm một số thư viện mạnh để triển khai các thuật toán Học máy khác nhau, chẳng hạn như Scikit-Learn. Mô-đun Tensor Flow sau đó được sử dụng để dạy bạn về học sâu.
Cuối cùng, nó cho thấy nhiều cơ hội phân tích dữ liệu có thể đạt được bằng cách sử dụng máy học và học sâu.
Nó cũng dạy cho bạn nhiều kỹ thuật có thể được sử dụng để tăng hiệu quả của mô hình bạn tạo.
Các chủ đề trong sách
- Học Python và Học máy: Hướng dẫn cho Người mới bắt đầu
- Kiểm tra tập dữ liệu 2 nhóm tin và phát hiện email spam của Naive Bayes
- Sử dụng SVM, phân loại các chủ đề của tin bài Dự đoán nhấp qua sử dụng thuật toán dựa trên cây
- Dự đoán tỷ lệ nhấp bằng hồi quy logistic
- Việc sử dụng các thuật toán hồi quy để dự báo các tiêu chuẩn cao nhất của giá cổ phiếu
9. Học máy Python
Cuốn sách Học máy trong Python giải thích các nguyên tắc cơ bản của học máy cũng như tầm quan trọng của nó trong lĩnh vực kỹ thuật số. Nó là một cuốn sách học máy cho người mới bắt đầu.
Ngoài ra, trong cuốn sách này còn có nhiều lĩnh vực và ứng dụng con của máy học. Các nguyên tắc lập trình Python và cách bắt đầu với ngôn ngữ lập trình mã nguồn mở và miễn phí cũng được trình bày trong cuốn sách Học máy Python.
Sau khi hoàn thành cuốn sách học máy, bạn sẽ có thể thiết lập một số công việc học máy một cách hiệu quả bằng cách sử dụng mã hóa Python.
Các chủ đề trong sách
- Các nguyên tắc cơ bản về trí tuệ nhân tạo
- một cây quyết định
- Hồi quy logistic
- Mạng thần kinh chuyên sâu
- Các nguyên tắc cơ bản về ngôn ngữ lập trình Python
10. Học máy: Một quan điểm xác suất
Machine Learning: A Probabilistic Perspective là một cuốn sách học máy hài hước có đồ họa màu hoài cổ và các ví dụ thực tế, thực tế từ các ngành như sinh học, thị giác máy tính, robot và xử lý văn bản.
Nó chứa đầy văn xuôi thông thường và mã giả cho các thuật toán thiết yếu. Học máy: Quan điểm xác suất, trái ngược với các ấn phẩm học máy khác được trình bày theo kiểu sách dạy nấu ăn và mô tả các phương pháp tiếp cận heuristic khác nhau, tập trung vào phương pháp tiếp cận dựa trên mô hình có nguyên tắc.
Nó chỉ định các mô hình ml bằng cách sử dụng các biểu diễn đồ họa một cách rõ ràng và dễ hiểu. Dựa trên cách tiếp cận thống nhất, theo xác suất, cuốn sách giáo khoa này cung cấp phần giới thiệu đầy đủ và khép kín về lĩnh vực học máy.
Nội dung vừa rộng vừa sâu, bao gồm tài liệu nền tảng cơ bản về các chủ đề như xác suất, tối ưu hóa và đại số tuyến tính, cũng như thảo luận về những tiến bộ hiện đại trong lĩnh vực như trường ngẫu nhiên có điều kiện, chính quy L1 và học sâu.
Cuốn sách được viết bằng một ngôn ngữ bình thường, dễ tiếp cận, có chứa mã giả cho các thuật toán quan trọng chính.
Các chủ đề trong sách
- Xác suất
- Học kĩ càng
- Chính quy hóa L1
- Tối ưu hóa
- Xử lý văn bản
- Ứng dụng Computer Vision
- Ứng dụng người máy
11. Các yếu tố của học thống kê
Đối với khung khái niệm và nhiều chủ đề khác nhau, sách giáo khoa học máy này thường được thừa nhận trong lĩnh vực này.
Cuốn sách này có thể được sử dụng làm tài liệu tham khảo cho bất kỳ ai cần tìm hiểu về các chủ đề như mạng nơ-ron và kỹ thuật kiểm tra cũng như giới thiệu đơn giản về học máy.
Cuốn sách luôn thúc đẩy người đọc thực hiện các thí nghiệm và điều tra của riêng họ, khiến nó có giá trị trong việc trau dồi khả năng và sự tò mò cần thiết để tạo ra những tiến bộ thích hợp trong công việc hoặc năng lực học máy.
Nó là một công cụ quan trọng cho các nhà thống kê và bất kỳ ai quan tâm đến việc khai thác dữ liệu trong kinh doanh hoặc khoa học. Đảm bảo rằng bạn hiểu đại số tuyến tính ở mức tối thiểu trước khi bắt đầu cuốn sách này.
Các chủ đề trong sách
- Học tập có giám sát (dự đoán) sang học tập không giám sát
- Mạng lưới thần kinh
- Hỗ trợ máy vector
- Cây phân loại
- Thúc đẩy các thuật toán
12. Nhận dạng mẫu và học máy
Thế giới của nhận dạng mẫu và học máy có thể được khám phá kỹ lưỡng trong cuốn sách này. Cách tiếp cận Bayes để nhận dạng mẫu ban đầu được trình bày trong ấn phẩm này.
Hơn nữa, cuốn sách kiểm tra các môn học đầy thử thách cần có hiểu biết về đa biến, khoa học dữ liệu và đại số tuyến tính cơ bản.
Về máy học và xác suất, cuốn sách tham khảo cung cấp các chương có mức độ phức tạp khó dần dần dựa trên xu hướng trong tập dữ liệu. Các ví dụ đơn giản được đưa ra trước khi giới thiệu chung về nhận dạng mẫu.
Cuốn sách cung cấp các kỹ thuật để suy luận gần đúng, cho phép tính gần đúng nhanh chóng trong các trường hợp khi các lời giải chính xác là không thực tế. Không có sách nào khác sử dụng mô hình đồ họa để mô tả phân phối xác suất, nhưng nó có.
Các chủ đề trong sách
- Phương pháp Bayes
- Các thuật toán suy luận gần đúng
- Các mô hình mới dựa trên hạt nhân
- Giới thiệu về lý thuyết xác suất cơ bản
- Giới thiệu về nhận dạng mẫu và học máy
13. Các nguyên tắc cơ bản của Học máy từ Phân tích dữ liệu dự đoán
Nếu bạn đã nắm vững các nguyên tắc cơ bản của máy học và muốn chuyển sang phân tích dữ liệu dự đoán, đây là cuốn sách dành cho bạn !!! Bằng cách tìm kiếm các mẫu từ bộ dữ liệu lớn, Học máy có thể được sử dụng để phát triển các mô hình dự đoán.
Cuốn sách này kiểm tra việc triển khai sử dụng ML Phân tích dữ liệu dự đoán chuyên sâu, bao gồm cả nguyên tắc lý thuyết và ví dụ thực tế.
Mặc dù thực tế là tiêu đề "Các nguyên tắc cơ bản của Học máy cho Phân tích Dữ liệu Dự đoán" là một điều khá thú vị, cuốn sách này sẽ phác thảo hành trình Phân tích Dữ liệu Dự đoán từ dữ liệu đến cái nhìn sâu sắc cho đến kết luận.
Nó cũng thảo luận về bốn cách tiếp cận học máy: học dựa trên thông tin, học dựa trên sự tương tự, học dựa trên xác suất và học dựa trên lỗi, mỗi phương pháp đều có giải thích khái niệm phi kỹ thuật, theo sau là các mô hình toán học và thuật toán với các ví dụ.
Các chủ đề được đề cập trong cuốn sách
- Học tập dựa trên thông tin
- Học tập dựa trên sự giống nhau
- Học tập dựa trên xác suất
- Học tập dựa trên lỗi
14. Mô hình dự đoán được áp dụng
Mô hình dự đoán ứng dụng kiểm tra toàn bộ quy trình mô hình dự đoán, bắt đầu với các giai đoạn quan trọng của tiền xử lý dữ liệu, phân tách dữ liệu và nền tảng điều chỉnh mô hình.
Sau đó, công trình trình bày những mô tả rõ ràng về nhiều cách tiếp cận phân loại và hồi quy thông thường và gần đây, tập trung vào việc hiển thị và giải quyết các thách thức về dữ liệu trong thế giới thực.
Hướng dẫn trình bày tất cả các khía cạnh của quy trình mô hình hóa với một số ví dụ thực tế, trong thế giới thực và mỗi chương bao gồm mã R toàn diện cho từng giai đoạn của quy trình.
Tập sách đa năng này có thể được sử dụng như một phần giới thiệu về các mô hình dự đoán và toàn bộ quy trình mô hình hóa, làm tài liệu hướng dẫn tham khảo cho các học viên, hoặc như một văn bản cho các khóa học mô hình dự đoán cấp độ đại học hoặc sau đại học nâng cao.
Các chủ đề trong sách
- Kỹ thuật hồi quy
- Kỹ thuật phân loại
- Các thuật toán ML phức tạp
15. Học máy: Nghệ thuật và Khoa học của thuật toán tạo cảm giác về dữ liệu
Nếu bạn là một trung cấp hoặc chuyên gia trong lĩnh vực máy học và muốn “quay lại các nguyên tắc cơ bản”, thì cuốn sách này là dành cho bạn! Nó trả công đầy đủ cho sự phức tạp và chiều sâu to lớn của Machine Learning trong khi không bao giờ đánh mất các nguyên tắc thống nhất của nó (khá là một thành tựu!).
Học máy: Nghệ thuật và Khoa học của thuật toán bao gồm một số nghiên cứu điển hình về mức độ phức tạp ngày càng tăng, cũng như nhiều ví dụ và hình ảnh (để giữ cho mọi thứ trở nên thú vị!).
Cuốn sách cũng bao gồm một loạt các mô hình lôgic, hình học và thống kê, cũng như các chủ đề phức tạp và mới lạ như phân tích nhân tử ma trận và phân tích ROC.
Các chủ đề trong sách
- Đơn giản hóa các thuật toán học máy
- Mô hình logic
- Mô hình hình học
- Mô hình thống kê
- Phân tích ROC
16. Khai thác dữ liệu: Các công cụ & kỹ thuật máy học thực tế
Sử dụng các phương pháp tiếp cận từ nghiên cứu hệ thống cơ sở dữ liệu, học máy và thống kê, các kỹ thuật khai thác dữ liệu cho phép chúng tôi tìm ra các mẫu trong một lượng lớn dữ liệu.
Bạn nên lấy cuốn sách Khai phá dữ liệu: Các công cụ và kỹ thuật máy học thực hành nếu bạn cần nghiên cứu các kỹ thuật khai phá dữ liệu nói riêng hoặc dự định học máy học nói chung.
Cuốn sách hay nhất về học máy tập trung nhiều hơn vào khía cạnh kỹ thuật của nó. Nó đi sâu hơn vào sự phức tạp về kỹ thuật của máy học và các chiến lược để thu thập dữ liệu và sử dụng các đầu vào và đầu ra khác nhau để đánh giá kết quả.
Các chủ đề trong sách
- Mô hình tuyến tính
- Clustering
- Mô hình thống kê
- Dự đoán hiệu suất
- So sánh các phương pháp khai thác dữ liệu
- Học tập dựa trên phiên bản
- Biểu diễn tri thức & cụm
- Kỹ thuật khai thác dữ liệu truyền thống và hiện đại
17. Python để phân tích dữ liệu
Khả năng đánh giá dữ liệu được sử dụng trong học máy là kỹ năng quan trọng nhất mà nhà khoa học dữ liệu phải có. Trước khi phát triển một mô hình ML tạo ra dự báo chính xác, phần lớn công việc của bạn sẽ bao gồm xử lý, xử lý, làm sạch và đánh giá dữ liệu.
Bạn cần phải quen thuộc với các ngôn ngữ lập trình như Pandas, NumPy, Ipython và các ngôn ngữ khác để thực hiện phân tích dữ liệu.
Nếu bạn muốn làm việc trong ngành khoa học dữ liệu hoặc máy học, bạn phải có khả năng thao tác dữ liệu.
Bạn chắc chắn nên đọc cuốn sách Python để phân tích dữ liệu trong trường hợp này.
Các chủ đề trong sách
- Cần thiết Thư viện Python
- Gấu trúc nâng cao
- Ví dụ về phân tích dữ liệu
- Làm sạch và chuẩn bị dữ liệu
- Phương pháp toán học và thống kê
- Tóm tắt và tính toán thống kê mô tả
18. Xử lý ngôn ngữ tự nhiên với Python
Nền tảng của hệ thống học máy là xử lý ngôn ngữ tự nhiên.
Cuốn sách Xử lý ngôn ngữ tự nhiên với Python hướng dẫn bạn cách sử dụng NLTK, một bộ sưu tập các mô-đun và công cụ Python được yêu thích để xử lý ngôn ngữ tự nhiên biểu tượng và thống kê cho tiếng Anh và NLP nói chung.
Cuốn sách Xử lý ngôn ngữ tự nhiên với Python cung cấp các quy trình Python hiệu quả để chứng minh NLP một cách ngắn gọn, rõ ràng.
Người đọc có quyền truy cập vào bộ dữ liệu được chú thích tốt để xử lý dữ liệu phi cấu trúc, cấu trúc văn bản-ngôn ngữ và các yếu tố tập trung vào NLP khác.
Các chủ đề trong sách
- Ngôn ngữ của con người có chức năng như thế nào?
- Cấu trúc dữ liệu ngôn ngữ
- Bộ công cụ ngôn ngữ tự nhiên (NLTK)
- Phân tích cú pháp và phân tích ngữ nghĩa
- Cơ sở dữ liệu ngôn ngữ phổ biến
- Tích hợp các kỹ thuật từ trí tuệ nhân tạo và ngôn ngữ học
19. Lập trình Trí tuệ Tập thể
Trí tuệ tập thể lập trình của Toby Segaran, được coi là một trong những cuốn sách vĩ đại nhất để bắt đầu hiểu về máy học, được viết vào năm 2007, nhiều năm trước khi khoa học dữ liệu và máy học đạt được vị trí hiện tại như những con đường chuyên nghiệp hàng đầu.
Cuốn sách sử dụng Python làm phương pháp để phổ biến kiến thức chuyên môn của mình cho khán giả. Trí tuệ tập thể lập trình mang tính hướng dẫn triển khai ml nhiều hơn là phần giới thiệu về học máy.
Cuốn sách cung cấp thông tin về việc phát triển các thuật toán ML hiệu quả để thu thập dữ liệu từ các ứng dụng, lập trình để lấy dữ liệu từ các trang web và ngoại suy dữ liệu thu thập được.
Mỗi chương bao gồm các hoạt động để mở rộng các thuật toán đã thảo luận và nâng cao tính hữu ích của chúng.
Các chủ đề trong sách
- Lọc Bayes
- Hỗ trợ máy vector
- Thuật toán công cụ tìm kiếm
- Các cách đưa ra dự đoán
- Kỹ thuật lọc cộng tác
- Phân tích nhân tử ma trận không âm
- Phát triển trí thông minh để giải quyết vấn đề
- Phương pháp phát hiện nhóm hoặc mẫu
20. Học sâu (Dòng máy tính và máy học thích ứng)
Như tất cả chúng ta đều biết, học sâu là một loại học máy được cải tiến cho phép máy tính học hỏi từ hiệu suất trong quá khứ và một lượng lớn dữ liệu.
Trong khi sử dụng các kỹ thuật máy học, bạn cũng cần phải nắm rõ các nguyên tắc học sâu. Cuốn sách này, được coi là Kinh thánh của việc học sâu, sẽ rất hữu ích trong hoàn cảnh này.
Ba chuyên gia học sâu đề cập đến các chủ đề phức tạp chứa đầy toán học và các mô hình tổng quát hóa sâu sắc trong cuốn sách này.
Cung cấp cơ sở toán học và khái niệm, tác phẩm thảo luận các ý tưởng thích hợp trong đại số tuyến tính, lý thuyết xác suất, lý thuyết thông tin, tính toán số và học máy.
Nó kiểm tra các ứng dụng như xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói, thị giác máy tính, hệ thống đề xuất trực tuyến, tin sinh học và trò chơi điện tử và mô tả các kỹ thuật học sâu được sử dụng bởi những người thực hành trong ngành, chẳng hạn như mạng truyền tải sâu, thuật toán chính quy và tối ưu hóa, mạng phức hợp và phương pháp thực hành .
Các chủ đề trong sách
- Tính toán số
- Nghiên cứu học tập sâu
- Kỹ thuật Thị giác Máy tính
- Mạng cấp dữ liệu sâu
- Tối ưu hóa cho đào tạo mô hình sâu
- Phương pháp thực hành
- Nghiên cứu học tập sâu
Kết luận
20 cuốn sách hàng đầu về máy học được tóm tắt trong danh sách đó, bạn có thể sử dụng để phát triển việc học máy theo hướng bạn muốn.
Bạn sẽ có thể phát triển một nền tảng vững chắc về chuyên môn máy học và một thư viện tham khảo mà bạn có thể sử dụng thường xuyên khi làm việc trong khu vực nếu bạn đọc nhiều loại sách giáo khoa này.
Bạn sẽ được truyền cảm hứng để tiếp tục học tập, trở nên tốt hơn và có tác dụng ngay cả khi bạn chỉ đọc một cuốn sách.
Khi bạn đã chuẩn bị và đủ năng lực để phát triển các thuật toán học máy của riêng mình, hãy nhớ rằng dữ liệu là cực kỳ cần thiết cho sự thành công của dự án của bạn.
Bình luận