Nic więc dziwnego, że tak wiele osób rozważa wejście w fascynujący świat algorytmów komputerowych, które poprawiają się automatycznie dzięki doświadczeniu. Jeśli jesteś wśród nich — lub chcesz po prostu przejrzeć szum medialny i zrozumieć, na czym tak naprawdę polega uczenie maszynowe — nasz wybór 20 najlepszych podręczników do uczenia maszynowego może pomóc Ci osiągnąć swoje cele.
Sztuczna inteligencja: nowoczesne podejście (wydanie 4) autorstwa Petera Norviga i Stuarta J. Russell
Dostępny: na Amazonie
Opublikowany: 2020
Liczba stron: 1136
Podjęcie decyzji, od którego podręcznika do uczenia maszynowego zacząć nie było trudne, ponieważ sztuczna inteligencja: nowoczesne podejście jest polecana studentom przez uniwersytety na całym świecie. Teraz w jego 4ten wydanie, książka wykonuje fantastyczną robotę wprowadzając dziedzinę sztucznej inteligencji (uczenie maszynowe jest podzbiorem sztucznej inteligencji) dla początkujących, a także obejmuje szeroki zakres powiązanych tematów badawczych, zapewniając przydatne odniesienia do dalszych badań. Według autorów ten obszerny podręcznik powinien zająć około dwóch semestrów, więc nie oczekuj, że będzie to szybka lektura.
Rozpoznawanie wzorców i uczenie maszynowe autorstwa Christophera M. Biskup
Dostępny: na Amazonie
Opublikowany: 2011
Liczba stron: 738
Możesz pomyśleć o rozpoznawaniu wzorców i uczeniu maszynowym Christophera M. Bishop jako delikatny (przynajmniej jeśli chodzi o podręczniki do uczenia maszynowego) kurs wprowadzający do teorii uczenia maszynowego. Podręcznik zawiera ponad 400 ćwiczeń, które są oceniane według stopnia trudności, a dużo więcej materiałów dodatkowych jest dostępnych na jego stronie internetowej. Po prostu nie oczekuj, że będziesz wiedzieć, jak zastosować teorię, której naucza podręcznik, kiedy dotrzesz do ostatniej strony - istnieją inne książki na to.
Głębokie uczenie przez Goodfellow et. glin
Dostępny: na Amazonie
Opublikowany: 2016
Liczba stron: 800
Gdybyś miał poprosić Elona Muska, by polecił Ci książkę o uczeniu maszynowym, poleciłby tę właśnie. Powiedział kiedyś, że Deep Learning to jedyna kompletna książka na ten temat. Książka obejmuje wszystko, od podstaw matematycznych i koncepcyjnych po wiodące w branży techniki głębokiego uczenia się i najnowsze perspektywy badawcze. Zalecamy zakup wersji elektronicznej, ponieważ Deep Learning słynie z niskiej jakości druku print.
Elementy uczenia się statystycznego: eksploracja danych, wnioskowanie i przewidywanie, wydanie drugie autorstwa Hastie, Tibshirani i Friedmana
Dostępny: na Amazonie
Opublikowany: 2016
Liczba stron: 767
Nie daj się zastraszyć tytułowi tego podręcznika. Jeśli chcesz naprawdę zrozumieć uczenie maszynowe i zastosować je do rozwiązywania trudnych problemów, musisz przyzwyczaić się do czytania podręczników, które nie wydają się zbyt przystępne. Mimo że podręcznik ma zdecydowanie statystyczne podejście, nie musisz być statystykem, aby go przeczytać, ponieważ kładzie nacisk na koncepcje, a nie na matematykę.
Praktyczne uczenie maszynowe za pomocą Scikit-Learn, Keras i TensorFlow: koncepcje, narzędzia i techniki budowania inteligentnych systemów (2znaleźć Wydanie) przez Aurélien Géron
Dostępny: na Amazonie
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 je wykorzystać do tworzenia programów uczenia maszynowego, które rozwiązują rzeczywiste problemy. Ze względu na przyjazny dla początkujących charakter tych bibliotek, do przeczytania tego podręcznika wymagana jest minimalna wiedza teoretyczna, co czyni go doskonałym dla tych, którzy chcieliby uzyskać intuicyjne zrozumienie uczenia maszynowego poprzez zbudowanie czegoś użytecznego.
Zrozumienie uczenia maszynowego: od teorii do algorytmów autorstwa Shai Shalev-Shwartz i Shai Ben-David
Dostępny: na Amazonie
Opublikowany: 2014
Liczba stron: 410
Wiele podręczników o uczeniu maszynowym jest trudnych do przeczytania, ponieważ ich autorzy nie są w stanie postawić się w sytuacji kogoś nowego w tej dziedzinie, ale nie tej. Zrozumienie uczenia maszynowego zaczyna się od jasnego wprowadzenia do statystycznego uczenia maszynowego. Następnie łączy koncepcje teoretyczne z praktycznymi algorytmami, nie będąc ani zbyt rozwlekłym, ani zbyt niejasnym. Bez względu na to, czy chcesz odświeżyć swoją wiedzę, czy wyruszyć w życiową podróż w branży, nie wahaj się z tym podręcznikiem.
Uczenie maszynowe: perspektywa probabilistyczna Kevina P. Murphy
Dostępny: na Amazonie
Opublikowany: 2012
Liczba stron: 1104
Jak sugeruje tytuł tej książki, to wprowadzenie do uczenia maszynowego opiera się na modelach probabilistycznych do wykrywania wzorców w danych i wykorzystywania ich do przewidywania przyszłych danych. Książka jest napisana w przyjemnym, nieformalnym stylu i świetnie wykorzystuje ilustracje i praktyczne przykłady. Modele, które opisuje, zostały zaimplementowane przy użyciu Probabilistic Modeling Toolkit, który jest pakietem oprogramowania MATLAB, który można pobrać z Internetu. Niestety, zestaw narzędzi nie jest już obsługiwany, ponieważ nowa wersja tej książki będzie zamiast tego używać Pythona.
Teoria informacji, wnioskowanie i algorytmy uczenia się autorstwa Davida J. do. MacKay
Dostępny: na Amazonie
Opublikowany: 2003
Liczba stron: 640
Tak, ten podręcznik został wydany prawie 20 lat temu, ale to nie czyni go mniej aktualnym. W końcu uczenie maszynowe nie jest tak młode, jak mógłby sugerować niedawny szum wokół niego. Co sprawia, że teoria informacji, wnioskowanie i algorytmy uczenia się autorstwa Davida J. do. MacKay jest tak ponadczasowy, że jego multidyscyplinarne podejście zapewnia liczne połączenia między różnymi dziedzinami. Sam w sobie nie jest zbyt przydatny, ponieważ nie zawiera wystarczająco dużo praktycznych przykładów, ale świetnie sprawdza się jako podręcznik wprowadzający.
Wprowadzenie do uczenia statystycznego: z aplikacjami w języku R autorstwa Garetha M. James, Trevor Hastie, Daniela Witten i Robert Tibshirani
Dostępny: na Amazonie
Opublikowany: 2013
Liczba stron: 440
Możesz myśleć o An Introduction to Statistical Learning jako bardziej przystępną alternatywę dla The Elements of Statistical Learning, która wymaga zaawansowanej znajomości statystyki matematycznej. Aby ukończyć ten podręcznik, powinieneś być w porządku z tytułem licencjata z matematyki lub statystyki. Na 440 stronach autorzy przedstawiają przegląd dziedziny nauki statystycznej i przedstawiają ważne techniki modelowania i przewidywania wraz z ich zastosowaniami.
Stustronicowa książka do nauki maszynowej autorstwa Andrija Burkowa
Dostępny: na Amazonie
Opublikowany: 2019
Liczba stron: 160
Podczas gdy większość podręczników wymienionych w tym artykule jest bliższa tysiącowi stron, ta cienka książka, która zaczęła się jako wyzwanie na LinkedIn, wiele wyjaśnia na zaledwie około stu stronach. Jednym z powodów, dla których Stustronicowa książka do uczenia maszynowego stała się natychmiastowym hitem, jest jej prosty język, który jest mile widzianym odejściem od sztywnych artykułów akademickich. Polecamy tę książkę inżynierom oprogramowania, którzy uważają, że mogą wykorzystać dostępne narzędzia do uczenia maszynowego, ale nie wiedzą, od czego zacząć. To powiedziawszy, książka może być interesująca dla każdego, kto interesuje się uczeniem maszynowym, ponieważ kładzie nacisk na koncepcje nad kodem.
Wprowadzenie do uczenia maszynowego w Pythonie: przewodnik dla naukowców zajmujących się danymi autorstwa Andreasa C. Müller i Sarah Guido
Dostępny: na Amazonie
Opublikowany: 2016
Liczba stron: 400
Jeśli biegle posługujesz się Pythonem i chciałbyś rozpocząć pracę z uczeniem maszynowym, tworząc praktyczne rozwiązania rzeczywistych problemów, ta książka jest dla Ciebie. Nie, nie nauczysz się zbyt wiele teorii, ale wszystkie podstawowe pojęcia są dobrze omówione i istnieje wiele innych książek, które obejmują resztę. Aby jak najlepiej wykorzystać Wprowadzenie do uczenia maszynowego w Pythonie, powinieneś przynajmniej trochę zaznajomić się z bibliotekami NumPy i matplotlib.
Zastosowane modelowanie predykcyjne autorstwa Maxa Kuhna i Kjella Johnsona
Dostępny: na Amazonie
Opublikowany: pierwsze wydanie. 2013, Corr. II druk 2018
Liczba stron: 613
Ten podręcznik zawiera wprowadzenie do modeli predykcyjnych, które wykorzystują dane i statystyki do przewidywania wyników za pomocą modeli danych. Rozpoczyna się od przetwarzania danych i kontynuuje z nowoczesnymi technikami regresji i klasyfikacji, zawsze kładąc nacisk na rzeczywiste problemy z danymi. Wszystkie opisane w książce modele możesz łatwo wdrożyć dzięki dostarczonemu kodowi R, który dokładnie pokazuje, co musisz zrobić, aby uzyskać działające rozwiązanie.
Głębokie uczenie się z Pythonem autorstwa François Chollet
Dostępny: na Amazonie
Opublikowany: 2017
Liczba stron: 384
Być może znasz już autora tego podręcznika uczenia maszynowego, ponieważ jest on odpowiedzialny za bibliotekę sieci neuronowych typu open source o nazwie Keras, prawdopodobnie najpopularniejszą bibliotekę uczenia maszynowego napisaną w Pythonie. Biorąc pod uwagę te informacje i tytuł podręcznika, nie powinno Cię dziwić, że jest to najlepszy dostępny kurs przyspieszony Keras. Praktyczne techniki mają pierwszeństwo przed teorią, ale oznacza to po prostu, że możesz rozwiązać skomplikowane zadania uczenia maszynowego w zaledwie kilka tygodni.
Uczenie maszynowe Toma M. Mitchell
Dostępny: na Amazonie
Opublikowany: 1997
Liczba stron: 414
Opublikowana w 1997 roku książka przedstawia wszystkie rodzaje algorytmów uczenia maszynowego w języku, który wszyscy absolwenci CS powinni być w stanie zrozumieć. Jeśli jesteś typem osoby, która potrzebuje szerokiego zrozumienia określonego tematu, zanim poczujesz się komfortowo, zagłębiając się w ten temat, pokochasz sposób, w jaki prezentowane są informacje zawarte w tej książce. Tylko nie oczekuj uczenia maszynowego Toma M. Mitchell będzie praktycznym przewodnikiem, bo nie taka ma być ta książka.
Tworzenie aplikacji opartych na uczeniu maszynowym: przejście od pomysłu do produktu — Emmanuel Ameisen
Dostępny: na Amazonie
Opublikowany: 2020
Liczba stron: 260
Zrozumienie modeli uczenia maszynowego to jedno, a co innego wiedzieć, jak wprowadzić je do produkcji. Ta stosunkowo cienka książka Emmanuela Ameisena wyjaśnia tylko to, prowadząc Cię przez każdy etap procesu, od początkowego pomysłu do wdrożonego produktu. Tworzenie aplikacji opartych na uczeniu maszynowym można polecić początkującym naukowcom danych i inżynierom ML, którzy opanowali teorię, ale jeszcze nie zastosowali jej w branży.
Uczenie się przez wzmacnianie: wprowadzenie (wydanie drugie) autorstwa Richarda S. Sutton, Andrew G. Barto
Dostępny: na Amazonie
Opublikowany: 2018
Liczba stron: 552
Wzmacnianie uczenia to obszar uczenia maszynowego dotyczący uczenia modeli uczenia maszynowego w celu podejmowania działań w złożonym, niepewnym środowisku w celu maksymalizacji całkowitej kwoty otrzymanej nagrody. Jeśli brzmi to dla Ciebie interesująco, nie wahaj się kupić tej książki, ponieważ jest ona powszechnie uważana za Biblię na ten temat. Druga edycja zawiera wiele ważnych zmian strukturalnych i merytorycznych, więc zdobądź ją, jeśli to możliwe.
Uczenie się z danych przez Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Dostępny: na Amazonie
Opublikowany: 2012
Liczba stron: 213
Learning From Data to krótkie, ale stosunkowo kompletne wprowadzenie do uczenia maszynowego i jego praktycznych zastosowań w finansach, handlu, nauce i inżynierii. Książka opiera się na ponad dziesięcioletnim materiale dydaktycznym, który autorzy wydestylowali do wyboru podstawowych tematów, które każdy zainteresowany tematem powinien zrozumieć. Jest to świetne rozwiązanie dla początkujących, którzy nie mają dużo czasu na studiowanie teorii uczenia maszynowego, zwłaszcza jeśli czyta się je razem z serią wykładów Yasera na YouTube.
Sieci neuronowe i głębokie uczenie: podręcznik Charu C. Aggarwal
Dostępny: na Amazonie
Opublikowany: 2018
Liczba stron: 497
Sieci neuronowe to jeden ze sposobów uczenia maszynowego, a ten podręcznik może pomóc Ci zrozumieć stojącą za nimi teorię. Podobnie jak ogólnie uczenie maszynowe, ta książka jest matematycznie intensywna, więc nie oczekuj, że zajdziesz za daleko, jeśli twoja matematyka jest zardzewiała. To powiedziawszy, autor wykonuje świetną robotę wyjaśniając matematykę za wszystkimi podanymi przykładami i prowadząc czytelnika przez różne skomplikowane scenariusze.
Uczenie maszynowe dla absolutnie początkujących: wprowadzenie do prostego języka angielskiego (2znaleźć Wydanie) przez Olivera Theobald
Dostępny: na Amazonie
Opublikowany: 2017
Liczba stron: 157
Jeśli interesujesz się uczeniem maszynowym, ale niekoniecznie czujesz się komfortowo czytając długie podręczniki na ten temat, możesz wybrać tę przyjazną dla początkujących książkę, która zapewnia praktyczne i zaawansowane wprowadzenie do języka maszynowego przy użyciu zwykłego języka angielskiego. Pod koniec tej książki będziesz wiedział, jak przewidywać wartości domów przy użyciu swojego pierwszego modelu uczenia maszynowego stworzonego w Pythonie.
Generatywne uczenie głębokie: uczenie maszyn do malowania, pisania, komponowania i grania autorstwa Davida Fostera
Dostępny: na Amazonie
Opublikowany: 2019
Liczba stron: 330
Wiele napisano i powiedziano o generatywnych sieciach kontradyktoryjnych (GAN), jednym z najgorętszych obecnie tematów w dziedzinie uczenia maszynowego. Jeśli chcesz zrozumieć, jak one i inne generatywne modele uczenia głębokiego działają pod maską, ta książka Davida Fostera jest świetnym punktem wyjścia, o ile masz doświadczenie w kodowaniu w Pythonie.