Akkor nem meglepő, hogy olyan sokan fontolgatják, hogy belépnek a számítógépes algoritmusok lenyűgöző világába, amelyek a tapasztalatok révén automatikusan javulnak. Ha köztük van, vagy csak el akarja nézni a hype-ot és megérteni, mi is a gépi tanulás valójában - a legjobb 20 gépi tanulási tankönyv kiválasztása a 20 legjobb között segíthet elérni céljait.
Mesterséges intelligencia: Modern megközelítés (4. kiadás) Peter Norvig és Stuart J. Russell
Elérhető: az Amazon-on
Közzétett: 2020
Oldalszám: 1136
A gépi tanulási tankönyv eldöntése nem volt nehéz, mert a Mesterséges Intelligencia: Modern megközelítést ajánlanak a hallgatóknak a világ egyetemei. Most a 4-benth kiadás, a könyv fantasztikus munkát végez a mesterséges intelligencia (a gépi tanulás az AI egyik részhalmaza) területének megismertetésével a kezdők számára, és a kapcsolódó kutatási témák széles körét is lefedi, hasznos referenciákat kínálva a további tanulmányokhoz. A szerzők szerint ennek a nagy tankönyvnek körülbelül két félévet kell lefednie, ezért ne számítson rá, hogy gyorsan elolvassa.
Mintafelismerés és gépi tanulás, Christopher M. Püspök
Elérhető: az Amazon-on
Közzétett: 2011
Oldalszám: 738
Gondolhat Christopher M mintájának felismerésére és gépi tanulására. A püspök, mint egy gyengéd (legalábbis ami a gépi tanulási tankönyveket illeti) bevezető kurzus a gépi tanulás mögött álló elméletre. A tankönyv több mint 400 gyakorlatot tartalmaz, amelyeket nehézségük szerint osztályoznak, és sokkal több kiegészítő anyag érhető el a weboldalán. Csak ne számíts arra, hogy tudod, hogyan kell alkalmazni az elméletet, amelyet a tankönyv tanít, amikor eléred az utolsó oldalát - erre más könyvek is vannak.
Mély tanulás Goodfellow et. al
Elérhető: az Amazon-on
Közzétett: 2016
Oldalszám: 800
Ha megkérnéd Elon Muskot, hogy ajánljon neked egy könyvet a gépi tanulásról, akkor ezt ajánlaná. Egyszer azt mondta, hogy a mély tanulás az egyetlen teljes könyv ebben a témában. A könyv a matematikai és fogalmi hátterektől az iparágvezető mélytanulási technikákig és a legújabb kutatási perspektívákig mindent átfog. Javasoljuk, hogy szerezze be az elektronikus verziót, mert a Deep Learning hírhedt a gyenge nyomtatási minősége miatt.
A statisztikai tanulás elemei: adatbányászat, következtetés és előrejelzés, Hastie, Tibshirani és Friedman második kiadása
Elérhető: az Amazon-on
Közzétett: 2016
Oldalszám: 767
Ne hagyd, hogy a tankönyv címe megfélemlítsen. Ha igazán meg akarja érteni a gépi tanulást és alkalmazza azt nehéz problémák megoldására, akkor hozzá kell szoknia a nem túl megközelíthetőnek tűnő tankönyvek olvasásához. Annak ellenére, hogy a tankönyv döntően statisztikai megközelítést alkalmaz, az olvasáshoz nem kell statisztikusnak lennie, mert a fogalmakat hangsúlyozza a matematika helyett.
Gyakorlati gépi tanulás a Scikit-Learn, a Keras és a TensorFlow segítségével: Fogalmak, eszközök és technikák az intelligens rendszerek felépítéséhez (2nd Kiadás) szerző: Aurélien Géron
Elérhető: az Amazon-on
Közzétett: 2019
Oldalszám: 856
A Scikit-Learn, a Keras és a TensorFlow három népszerű gépi tanulási könyvtár, és ez a tankönyv arra összpontosít, hogyan lehet felhasználni a tényleges problémákat megoldó gépi tanulási programok létrehozására. E könyvtárak kezdőbarát jellegének köszönhetően minimális elméleti háttérismeretekre van szükség a tankönyv elolvasásához, így nagyszerű azok számára, akik szeretnének intuitív megértést szerezni a gépi tanulásról, ha valami hasznosat építenek.
A gépi tanulás megértése: Az elmélettől az algoritmusokig Shai Shalev-Shwartz és Shai Ben-David
Elérhető: az Amazon-on
Közzétett: 2014
Oldalszám: 410
Sok gépi tanulásról szóló tankönyv nehéz átjutni, mert szerzőik nem képesek olyan ember cipőjébe állítani magukat, aki új a szakterületen, de ez nem. A gépi tanulás megértése a statisztikai gépi tanulás világos bevezetésével kezdődik. Ezután összekapcsolja az elméleti fogalmakat a gyakorlati algoritmusokkal anélkül, hogy azok túlságosan is szókimondóak vagy túl homályosak lennének. Függetlenül attól, hogy frissíteni szeretné-e ismereteit, vagy egy egész életen át tartó útra indulna az iparban, ne habozzon, ha megragadja ezt a tankönyvet.
Gépi tanulás: Kevin P valószínűségi perspektívája. Murphy
Elérhető: az Amazon-on
Közzétett: 2012
Oldalszám: 1104
Amint e könyv címe is sugallja, a gépi tanulásnak ez a bevezetője valószínűségi modellekre támaszkodik az adatok mintázatának felderítésére és felhasználására a jövőbeni adatok előrejelzésére. A könyv kellemes, kötetlen stílusban készült, és nagyszerűen felhasználja az illusztrációkat és a gyakorlati példákat. Az általa leírt modelleket a Probabilistic Modeling Toolkit segítségével valósítottuk meg, amely egy MATLAB szoftvercsomag, amelyet letölthet az internetről. Sajnos az eszközkészlet már nem támogatott, mert ennek a könyvnek az új verziója Python-t fogja használni.
Információs elmélet, következtetés és tanulási algoritmusok, David J. C. MacKay
Elérhető: az Amazon-on
Közzétett: 2003
Oldalszám: 640
Igen, ez a tankönyv közel 20 évvel ezelőtt jelent meg, de ettől még ma sem válik kevésbé relevánssá. Végül is a gépi tanulás korántsem olyan fiatal, mint azt a közelmúltbeli hype sugallhatja. Mitől származnak David J. Információelméleti, következtetési és tanulási algoritmusai?. C. A MacKay annyira időtálló a multidiszciplináris megközelítése, amely bőséges kapcsolatot biztosít a különböző területek között. Önmagában nem túl hasznos, mert nincs elég gyakorlati példa, de bevezető tankönyvként remekül működik.
Bevezetés a statisztikai tanulásba: Gareth M. R alkalmazásával. James, Trevor Hastie, Daniela Witten és Robert Tibshirani
Elérhető: az Amazon-on
Közzétett: 2013
Oldalszám: 440
Elképzelheti, hogy a Bevezetés a statisztikai tanulásba a statisztikai tanulás elemei megközelíthetőbb alternatívája, amely a matematikai statisztikák fejlett ismeretét igényli. Ennek a tankönyvnek a befejezéséhez teljesen jól kell lenned matematika vagy statisztika alapdiplomával. 440 oldalán a szerzők áttekintést nyújtanak a statisztikai tanulás területéről, és fontos modellezési és előrejelzési technikákat mutatnak be alkalmazásukkal kiegészítve.
A százoldalas gépi tanulás könyve, Andriy Burkov
Elérhető: az Amazon-on
Közzétett: 2019
Oldalszám: 160
Míg az ebben a cikkben felsorolt tankönyvek többsége közelebb áll ezer oldalhoz, ez a vékony könyv, amely kihívásként indult a LinkedIn-en, csak körülbelül száz oldalon magyaráz sokat. Az egyik oka annak, hogy a százoldalas gépi tanulási könyv azonnali slágerré vált, az a közönséges nyelve, amely örvendetes eltérés a merev tudományos cikkektől. Ezt a könyvet azoknak a szoftvermérnököknek ajánljuk, akik úgy gondolják, hogy felhasználhatják a rendelkezésre álló gépi tanulási eszközöket, de nem tudják, hol kezdjék. Ennek ellenére a könyvet bárki élvezheti, aki érdeklődik a gépi tanulás iránt, mert a fogalmakat hangsúlyozza a kód helyett.
Bevezetés a gépi tanulásba a Python-nal: Útmutató adatkutatóknak, készítette: Andreas C. Müller és Sarah Guido
Elérhető: az Amazon-on
Közzétett: 2016
Oldalszám: 400
Ha folyékonyan beszél a Pythonban, és el szeretné kezdeni a gépi tanulást a gyakorlati megoldások felépítésével a valós problémákra, ez a megfelelő könyv az Ön számára. Nem, túl sok elméletet nem fogsz megtanulni, de minden alapvető fogalmat jól lefedtek, és sok más könyv is foglalkozik a többivel. Ahhoz, hogy a legtöbbet hozza ki a Python használatával történő gépi tanulásból, legalább ismernie kell a NumPy és a matplotlib könyvtárakat.
Max Kuhn és Kjell Johnson alkalmazott prediktív modellezés
Elérhető: az Amazon-on
Közzétett: 1. kiadás. 2013, Corr. 2. nyomtatás 2018
Oldalszám: 613
Ez a tankönyv bevezeti a prediktív modelleket, amelyek adatok és statisztikák segítségével jósolják az eredményeket az adatmodellekkel. Az adatfeldolgozással kezdődik, és a modern regressziós és osztályozási technikákkal folytatódik, mindig hangsúlyozva a valós adatproblémákat. A könyvben ismertetett összes modellt könnyedén megvalósíthatja a mellékelt R kódnak köszönhetően, amely pontosan megmutatja, mit kell tennie, hogy működőképes megoldáshoz jusson.
François Chollet mély tanulása a Pythonnal
Elérhető: az Amazon-on
Közzétett: 2017
Oldalszám: 384
Lehet, hogy már ismeri ennek a gépi tanulásnak a tankönyvét, mert ő felelős a Keras nevű nyílt forráskódú neurális hálózati könyvtárért, amely kétségkívül a Pythonban írt legnépszerűbb gépi tanulási könyvtár. Tekintettel ezekre az információkra és a tankönyv címére, nem lephet meg, ha megtudja, hogy ez a rendelkezésre álló legjobb Keras összeomlási tanfolyam. A gyakorlati technikákat prioritásként kezeljük az elmélet felett, de ez csak azt jelenti, hogy kifinomult gépi tanulási feladatokat oldhat meg néhány hét alatt.
Gépi tanulás: Tom M. Mitchell
Elérhető: az Amazon-on
Közzétett: 1997
Oldalszám: 414
1997-ben jelent meg, ez a könyv a gépi tanulási algoritmusok minden típusát bemutatja egy olyan nyelven, amelyet a CS-diplomásoknak képesnek kell lenniük megérteni. Ha Ön olyan típusú ember, akinek széles körű ismerete van egy bizonyos témában, mielőtt jól érezné magát, hogy belemerüljön, imádni fogja, hogy a könyvben szereplő információk hogyan kerülnek bemutatásra. Csak ne számítson Tom Machine gépi tanulására. Mitchell gyakorlati útmutató, mert ennek a könyvnek nem ezt kellene állítania.
Gépi tanulással működő alkalmazások építése: Emmanuel Ameisen ötletről termékre halad
Elérhető: az Amazon-on
Közzétett: 2020
Oldalszám: 260
Egy dolog megérteni a gépi tanulási modelleket, és egészen más az, hogy tudjuk, hogyan lehet ezeket termelésbe hozni. Emmanuel Ameisen ez a viszonylag karcsú könyve éppen ezt magyarázza, végigvezetve a folyamat minden lépését, a kezdeti ötlettől kezdve a bevezetett termékig. A gépi tanulással működő alkalmazások építése kezdő adatkutatóknak és ML mérnököknek ajánlható, akik elsajátították az elméletet, de még nem alkalmazták az iparban.
Megerősítő tanulás: Bevezetés (2. kiadás), Richard S. Sutton, Andrew G. Barto
Elérhető: az Amazon-on
Közzétett: 2018
Oldalszám: 552
A megerősítő tanulás a gépi tanulás olyan területe, amely a gépi tanulási modellek képzésével foglalkozik, hogy összetett, bizonytalan környezetben tegyen lépéseket a kapott jutalom teljes összegének maximalizálása érdekében. Ha ez érdekesnek tűnik számodra, ne habozzon megvásárolni ezt a könyvet, mert széles körben a téma Bibliájának tekintik. A második kiadás számos fontos szerkezeti és tartalmi változást tartalmaz, ezért ha lehetséges, szerezze be.
Tanulás az adatokból, Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Elérhető: az Amazon-on
Közzétett: 2012
Oldalszám: 213
A tanulás az adatokból rövid, de viszonylag teljes bevezetés a gépi tanuláshoz és annak gyakorlati alkalmazásaihoz a pénzügyekben, a kereskedelemben, a természettudományban és a mérnöki területen. A könyv több mint egy évtizedes tananyagra épül, amelyet a szerzők olyan alapvető témák válogatásáig lepároltak, amelyeket mindenkinek meg kell értenie a tantárgy iránt. Nagyszerű kezdőknek, akiknek nincs sok idejük tanulmányozni a gépi tanulás elméletét, különösen, ha Yaser előadássorozatával együtt olvassák el a YouTube-on.
Ideghálózatok és mély tanulás: Charu C tankönyve. Aggarwal
Elérhető: az Amazon-on
Közzétett: 2018
Oldalszám: 497
A neurális hálózatok a gépi tanulás egyik módja, és ez a tankönyv segíthet megérteni a mögöttük álló elméletet. Csakúgy, mint általában a gépi tanulás, ez a könyv is matematikailag intenzív, ezért ne számítson túl messzire, ha rozsdás a matekja. Ennek ellenére a szerző nagyszerű munkát végez, hogy elmagyarázza a matematikát az összes bemutatott példa mögött, és végigvezeti az olvasót különböző bonyolult forgatókönyveken.
Gépi tanulás abszolút kezdőknek: Egyszerű angol nyelvű bevezetés (2nd Kiadás) Oliver Theobald
Elérhető: az Amazon-on
Közzétett: 2017
Oldalszám: 157
Ha érdekel a gépi tanulás, de nem feltétlenül érzi jól magát a témával foglalkozó hosszú tankönyvek olvasásakor, akkor inkább ezt a kezdőbarát könyvet részesíti előnyben, amely gyakorlati és magas szintű bevezetést nyújt a gépi nyelvhez egyszerű angol nyelven. E könyv végére megtudhatja, hogyan lehet megjósolni a ház értékeit az első Python-ban létrehozott gépi tanulási modell használatával.
Generatív mély tanulás: Gépek festésére, írására, komponálására és játékára tanítja David Foster
Elérhető: az Amazon-on
Közzétett: 2019
Oldalszám: 330
Sokat írtak és elmondtak a generatív kontradiktórius hálózatokról (GAN), amelyek a gépi tanulás egyik legforróbb témája napjainkban. Ha meg akarja érteni, hogyan működnek ők és más generatív mély tanulási modellek a motorháztető alatt, David Foster ez a könyve nagyszerű kiindulópont, amennyiben van tapasztalata a Python kódolásában.