Najlepsze podręczniki uczenia maszynowego w najlepszych 10 topach 10
Nic więc dziwnego, że tak wiele osób rozważa wprowadzenie fascynującego świata algorytmów komputerowych, które automatycznie się poprawiają dzięki doświadczeniu. Jeśli jesteś wśród nich, jeśli chcesz po prostu spojrzeć poza szum i zrozumieć, czym naprawdę jest uczenie maszynowe o wyborze 20 najlepszych podręczników uczenia maszynowego, może pomóc w osiągnięciu celów.
Sztuczna inteligencja: nowoczesne podejście (wydanie 4) autorstwa Petera Norviga i Stuart J. Russell
Dostępny: na Amazon
Opublikowany: 2020
Liczba stron: 1136
Decydowanie, który podręcznik uczenia maszynowego na początek nie był trudny, ponieważ sztuczna inteligencja: nowoczesne podejście jest zalecane studentom przez uniwersytety na całym świecie. Teraz w 4th Edition, książka wykonuje fantastyczną robotę, wprowadzając dziedzinę sztucznej inteligencji (uczenie maszynowe jest podzbiorem AI) dla początkujących, a także obejmuje szeroki zakres powiązanych tematów badawczych, zapewniając przydatne odniesienia do dalszych badań. Według swoich autorów ten duży podręcznik powinien wziąć około dwóch semestrów, więc nie spodziewaj się, że będzie to szybka lektura.
Rozpoznawanie wzorów i uczenie maszynowe autorstwa Christophera M. Biskup
Dostępny: na Amazon
Opublikowany: 2011
Liczba stron: 738
Możesz pomyśleć o rozpoznawaniu wzorów i uczeniu maszynowym autorstwa Christophera M. Bishop jako delikatny (przynajmniej pod względem podręczników uczenia maszynowego). Podręcznik zawiera ponad 400 ćwiczeń, które są oceniane zgodnie z ich trudnościami, a na swojej stronie internetowej dostępnych jest wiele dodatkowych materiałów. Po prostu nie spodziewaj się, jak zastosować teorię, której uczy podręcznik, gdy dotrzesz do ostatniej strony-są do tego inne książki.
Głębokie uczenie się przez Goodfellow i. glin
Dostępny: na Amazon
Opublikowany: 2016
Liczba stron: 800
Jeśli miałbyś poprosić Elona Muska o polecenie książki o uczeniu maszynowym, to jest ta, którą poleciłby. Kiedyś mówi, że głębokie uczenie się jest jedyną kompletną książką na ten temat. Książka obejmuje wszystko, od tła matematycznego i koncepcyjnego po wiodące w branży techniki głębokiego uczenia się i najnowsze perspektywy badań. Zalecamy uzyskanie wersji elektronicznej, ponieważ głębokie uczenie się jest niesławne ze względu na słabą jakość drukowania.
Elementy uczenia się statystycznego: wydobycie danych, wnioskowanie i prognozy, druga edycja Hastie, Tibshirani i Friedman
Dostępny: na Amazon
Opublikowany: 2016
Liczba stron: 767
Nie pozwól, aby tytuł tego podręcznika cię zastraszyć. Jeśli chcesz naprawdę zrozumieć uczenie maszynowe i zastosować je do rozwiązania trudnych problemów, musisz przyzwyczaić się do czytania podręczników, które nie wydają się bardzo przystępne. Mimo że podręcznik ma zdecydowanie statystyczne podejście, nie musisz być statystyką, aby go przeczytać, ponieważ podkreśla koncepcje, a nie matematykę.
Praktyczne uczenie maszynowe z scikit-learn, keras i tensorflow: koncepcje, narzędzia i techniki budowania inteligentnych systemów (2Nd Wydanie) autorstwa Aurélien Géron
Dostępny: na Amazon
Opublikowany: 2019
Liczba stron: 856
Scikit-Learn, Keras i TensorFlow to trzy popularne biblioteki uczenia maszynowego, a ten podręcznik koncentruje się na tym, jak można ich użyć do tworzenia programów uczenia maszynowego, które rozwiązują rzeczywiste problemy. Dzięki przyjaznej dla początkujących natury tych bibliotek minimalna wiedza teoretyczna w tle jest wymagana do przeczytania tego podręcznika, co czyni go świetnym dla tych, którzy chcieliby uzyskać intuicyjne zrozumienie uczenia maszynowego, budując coś przydatnego.
Zrozumienie uczenia maszynowego: od teorii po algorytmy Shai Shalev-Shwartz i Shai Ben-David
Dostępny: na Amazon
Opublikowany: 2014
Liczba stron: 410
Wiele podręczników na temat uczenia maszynowego jest trudne do pokonania, ponieważ ich autorzy nie są w stanie postawić się w butach kogoś nowego w tej dziedzinie, ale nie ten. Zrozumienie uczenia maszynowego zaczyna się od wyraźnego wprowadzenia do statystycznego uczenia maszynowego. Następnie łączy koncepcje teoretyczne z praktycznymi algorytmami, nie będąc ani zbyt trudnym, ani zbyt niejasnym. Niezależnie od tego, czy chcesz odświeżyć swoją wiedzę lub wyruszyć w całe życie w branży, nie wahaj się złapać tego podręcznika.
Uczenie maszynowe: perspektywa probabilistyczna Kevina P. Murphy
Dostępny: na Amazon
Opublikowany: 2012
Liczba stron: 1104
Jak sugeruje tytuł tej książki, to wprowadzenie do uczenia maszynowego opiera się na modelach probabilistycznych w celu wykrywania wzorców danych i wykorzystania ich do przewidywania przyszłych danych. Książka jest napisana w przyjemnym, nieformalnym stylu i doskonale wykorzystuje ilustracje i praktyczne przykłady. Opisane przez niego modele zostały zaimplementowane przy użyciu zestawu narzędzi do modelowania probabilistycznego, który jest pakietem oprogramowania MATLAB, który można pobrać z Internetu. Niestety, zestaw narzędzi nie jest już obsługiwany, ponieważ nowa wersja tej książki zamiast tego użyje Pythona.
Algorytmy teorii informacji, wnioskowania i uczenia się Davida J. C. Mackay
Dostępny: na Amazon
Opublikowany: 2003
Liczba stron: 640
Tak, ten podręcznik został wydany prawie 20 lat temu, ale to nie czyni go dziś mniej istotnym. W końcu uczenie maszynowe nie jest tak młode, jak najnowszy szum wokół niego może sugerować. Co sprawia, że algorytmy teorii informacji, wnioskowania i uczenia się Davida J. C. Mackay tak ponadczasowe jest jego multidyscyplinarne podejście, które zapewnia duże połączenia między różnymi dziedzinami. Sam nie jest zbyt przydatny, ponieważ nie ma wystarczających praktycznych przykładów, ale działa świetnie jako podręcznik wprowadzający.
Wprowadzenie do uczenia się statystycznego: z aplikacjami w R Gareth M. James, Trevor Hastie, Daniela Witten i Robert Tibshirani
Dostępny: na Amazon
Opublikowany: 2013
Liczba stron: 440
Możesz wymyślić wprowadzenie do uczenia się statystycznego jako bardziej przystępnej alternatywy dla elementów uczenia się statystycznego, co wymaga zaawansowanej wiedzy o statystyce matematycznej. Aby zakończyć ten podręcznik, powinieneś być w porządku z tytułem licencjata z matematyki lub statystyki. Na 440 stronach autorzy przedstawiają przegląd dziedziny uczenia się statystycznego i przedstawiają ważne techniki modelowania i prognozowania, wraz z ich aplikacjami.
Stuletna książka uczenia maszynowego Andriya Burkova
Dostępny: na Amazon
Opublikowany: 2019
Liczba stron: 160
Podczas gdy większość podręczników wymienionych w tym artykule jest bliżej tysiąca stron, ta cienka książka, która rozpoczęła się jako wyzwanie dla LinkedIn, wiele wyjaśnia na około stu stronach. Jednym z powodów, dla których stu stronicowa książka uczenia maszynowego stała się natychmiastowym hitem, jest jej zwykły język, który jest mile widzianym odejściem od sztywnych dokumentów akademickich. Polecamy tę książkę inżynierom oprogramowania, którzy uważają, że mogliby korzystać z dostępnych narzędzi do uczenia maszynowego, ale nie wiemy, od czego zacząć. To powiedziawszy, książka może być korzystna przez każdy, kto interesuje się uczeniem maszynowym, ponieważ podkreśla koncepcje nad kodem.
Wprowadzenie do uczenia maszynowego z Pythonem: Przewodnik dla naukowców danych autorstwa Andreasa C. Müller i Sarah Guido
Dostępny: na Amazon
Opublikowany: 2016
Liczba stron: 400
Jeśli biegłysz w Pythonie i chciałbyś zacząć od uczenia maszynowego, budując praktyczne rozwiązania prawdziwych problemów, jest to właściwa książka dla Ciebie. Nie, nie nauczysz się zbyt wiele teorii, ale wszystkie podstawowe koncepcje są dobrze omówione, a jest wiele innych książek, które obejmują resztę. Aby w pełni wykorzystać wprowadzenie do uczenia maszynowego z Pythonem, powinieneś przynajmniej znajomość bibliotek Numpy i Matplotlib.
Zastosowane modelowanie predykcyjne autorstwa Maxa Kuhna i Kjella Johnsona
Dostępny: na Amazon
Opublikowany: 1. wyd. 2013, Corr. 2. druk 2018
Liczba stron: 613
Ten podręcznik zawiera wprowadzenie do modeli predykcyjnych, które wykorzystują dane i statystyki do przewidywania wyników za pomocą modeli danych. Zaczyna się od przetwarzania danych i kontynuuje nowoczesne techniki regresji i klasyfikacji, zawsze podkreślając rzeczywiste problemy z danymi. Możesz łatwo zaimplementować wszystkie modele wyjaśnione w książce dzięki dostarczonym kodzie R, który pokazuje dokładnie, co musisz zrobić, aby skończyć z działającym rozwiązaniem.
Głębokie uczenie się z Pythonem autorstwa François Chollet
Dostępny: na Amazon
Opublikowany: 2017
Liczba stron: 384
Być może już znasz autora tego podręcznika uczenia maszynowego, ponieważ jest on odpowiedzialny za bibliotekę sieci neuronowej o nazwie Keras, prawdopodobnie najpopularniejsza biblioteka uczenia maszynowego napisana w Python. Biorąc pod uwagę te informacje i tytuł podręcznika, nie powinno cię zaskoczyć, aby dowiedzieć się, że jest to najlepszy dostępny kurs katastrofy Keras. Praktyczne techniki są priorytetowe powyżej teorii, ale oznacza to po prostu, że możesz rozwiązać wyrafinowane zadania uczenia maszynowego w ciągu zaledwie kilku tygodni.
Uczenie maszynowe autorstwa Toma M. Mitchell
Dostępny: na Amazon
Opublikowany: 1997
Liczba stron: 414
Opublikowana w 1997 r. Ta książka wprowadza wszystkie rodzaje algorytmów uczenia maszynowego w języku. Jeśli jesteś typem osoby, która musi szeroko rozumieć określony temat, zanim poczujesz się komfortowo, nurkując głęboko, pokochasz sposób prezentowania informacji w tej książce. Po prostu nie oczekuj uczenia maszynowego przez Toma M. Mitchell będzie praktycznym przewodnikiem, ponieważ nie taka ma być ta książka.
Budowanie aplikacji zasilanych uczeniem maszynowym: przechodzenie od pomysłu do produktu Emmanuela Ameisen
Dostępny: na Amazon
Opublikowany: 2020
Liczba stron: 260
Zrozumienie modeli uczenia maszynowego jest jedną rzeczą i jest to coś, co całkowicie wiedzieć, jak doprowadzić je do produkcji. Ta stosunkowo szczupła książka Emmanuela Ameisen wyjaśnia właśnie to, przechodząc cię przez każdy etap procesu, od początkowego pomysłu do wdrożonego produktu. Budowanie aplikacji zasilanych uczeniem maszynowym można zalecić początkującym naukowcom danych i inżynierów ML, którzy opanowali teorię, ale jeszcze nie zastosowali jej w branży.
Uczenie się wzmocnienia: Wprowadzenie (wydanie drugie) autorstwa Richarda S. Sutton, Andrew G. Barto
Dostępny: na Amazon
Opublikowany: 2018
Liczba stron: 552
Uczenie się wzmocnienia jest obszarem uczenia maszynowego związanego ze szkoleniem modeli uczenia maszynowego w celu podjęcia działań w złożonym, niepewnym środowisku, aby zmaksymalizować całkowitą ilość otrzymanych nagród. Jeśli brzmi to dla ciebie interesująco, nie wahaj się kupić tej książki, ponieważ jest ona powszechnie uważana za Biblię tematu. Druga edycja obejmuje wiele ważnych zmian strukturalnych i treści, więc zdobądź ją, jeśli to możliwe.
Uczenie się na podstawie danych Yasera S. Abu-Mostafa, Malik Magdon-Imail, Hsuan-Tien Lin.
Dostępny: na Amazon
Opublikowany: 2012
Liczba stron: 213
Uczenie się na podstawie danych jest krótkim, ale stosunkowo kompletnym wprowadzeniem do uczenia maszynowego i jej praktycznych zastosowań w zakresie finansów, handlu, nauki i inżynierii. Książka oparta jest na ponad dekadzie materiałów dydaktycznych, które autorzy destywali się do wyboru podstawowych tematów, które wszyscy zainteresowani tym temat. Jest świetny dla początkujących, którzy nie mają zbyt wiele czasu na studiowanie teorii uczenia maszynowego, zwłaszcza jeśli czytamy wraz z serią wykładów Yaser na YouTube.
Sieci neuronowe i głębokie uczenie się: podręcznik Charu C. Aggarwal
Dostępny: na Amazon
Opublikowany: 2018
Liczba stron: 497
Sieci neuronowe to jeden ze sposobów uczenia maszynowego, a ten podręcznik może pomóc ci zrozumieć teorię za nimi. Podobnie jak uczenie maszynowe, ta książka matematycznie intensywna, więc nie spodziewaj się za daleko, jeśli twoja matematyka jest zardzewiała. To powiedziawszy, autor wykonuje świetną robotę, wyjaśniając matematykę za wszystkimi przykładami i przeglądanie czytelnika przez różne misterne scenariusze.
Uczenie maszynowe dla absolutnych początkujących: zwykły angielski wprowadzenie (2Nd Wydanie) autor: Oliver Theobald
Dostępny: na Amazon
Opublikowany: 2017
Liczba stron: 157
Jeśli interesujesz się uczeniem maszynowym, ale niekoniecznie czujesz się komfortowo czytając długie podręczniki na ten temat, możesz preferować tę przyjazną dla początkującą książkę, która zapewnia praktyczne i wysokie wprowadzenie do języka maszynowego za pomocą zwykłego angielskiego. Pod koniec tej książki będziesz wiedział, jak przewidzieć wartości domów za pomocą pierwszego modelu uczenia maszynowego utworzonego w Python.
Generatyczne głębokie uczenie się: Nauczanie maszyn do malowania, pisania, komponowania i zabawy Davida Fostera
Dostępny: na Amazon
Opublikowany: 2019
Liczba stron: 330
Wiele zostało napisanych i powiedzianych o generatywnych sieciach przeciwnych (GANS), jednego z najgorętszych tematów w dziedzinie uczenia maszynowego dzisiaj. Jeśli chcesz zrozumieć, jak działają oni i inne generatywne modele głębokiego uczenia się pod maską, ta książka Davida Fostera jest świetnym punktem wyjścia, o ile masz doświadczenie w kodowaniu w Python.