Beste maskinlærings lærebøker på topp 10Top 10
Det er ingen overraskelse da at så mange vurderer å gå inn i den fascinerende verdenen av datamaskinalgoritmer som forbedres automatisk gjennom erfaring. Hvis du er blant dem-eller hvis du bare vil se forbi hypen og forstå hva maskinlæring egentlig handler om-kan vi utvalg av de 20 beste maskinlærings lærebøkene hjelpe deg med å nå dine mål.
Kunstig intelligens: A Modern Approach (4. utgave) av Peter Norvig og Stuart J. Russell
Tilgjengelig: på Amazon
Publisert: 2020
Sidetelling: 1136
Å bestemme hvilken maskinlæring lærebok til å begynne med var ikke vanskelig fordi kunstig intelligens: en moderne tilnærming anbefales til studenter av universiteter over hele verden. Nå i sine 4th Utgave, boka gjør en fantastisk jobb med å introdusere feltet kunstig intelligens (maskinlæring er en delmengde av AI) til nybegynnere, og den dekker også et bredt spekter av relaterte forskningsemner, og gir nyttige referanser for videre studier. I følge forfatterne bør denne store læreboka ta omtrent to semestre å dekke, så ikke forvent at den skal være en rask lesing.
Mønstergjenkjenning og maskinlæring av Christopher M. Biskop
Tilgjengelig: på Amazon
Publisert: 2011
Sidetelling: 738
Du kan tenke på mønstergjenkjenning og maskinlæring av Christopher M. Biskop som en skånsom (i det minste så langt det gjelder maskinlæringsbøker) Introduksjonskurs til teorien bak maskinlæring. Læreboken inneholder over 400 øvelser som er gradert etter deres vanskeligheter, og mye mer ekstra materiale er tilgjengelig på nettstedet. Bare ikke forvent å vite hvordan du bruker teorien læreboken lærer når du når den siste siden-der er andre bøker for det.
Dyp læring av Goodfellow et. al
Tilgjengelig: på Amazon
Publisert: 2016
Sidetelling: 800
Hvis du skulle be Elon Musk om å anbefale deg en bok om maskinlæring, er dette den han vil anbefale. Han sier en gang at dyp læring er den ene komplette boken om dette emnet. Boken dekker alt fra den matematiske og konseptuelle bakgrunnen til bransjeledende dype læringsteknikker og de nyeste forskningsperspektivene. Vi anbefaler at du får den elektroniske versjonen fordi dyp læring er beryktet for den dårlige utskriftskvaliteten.
Elementene i statistisk læring: data mining, inferens og prediksjon, andre utgave av Hastie, Tibshirani og Friedman
Tilgjengelig: på Amazon
Publisert: 2016
Sidetelling: 767
Ikke la tittelen på denne læreboka skremme deg. Hvis du virkelig vil forstå maskinlæring og bruke den for å løse vanskelige problemer, må du bli vant til å lese lærebøker som ikke virker veldig tilgjengelig. Selv om læreboka tar en avgjørende statistisk tilnærming, trenger du ikke være en statistiker for å lese den fordi den legger vekt på konsepter i stedet for matematikk.
Hands-on Machine Learning with Scikit-Learn, Keras og Tensorflow: Concepts, Tools and Techniques to Build Intelligent Systems (2nd Utgave) av Aurélien Géron
Tilgjengelig: på Amazon
Publisert: 2019
Sidetelling: 856
Scikit-Learn, Keras og Tensorflow er tre populære maskinlæringsbiblioteker, og denne læreboka fokuserer på hvordan de kan brukes til å lage maskinlæringsprogrammer som løser faktiske problemer. Takket være den nybegynnervennlige naturen til disse bibliotekene, er det nødvendig.
Forstå maskinlæring: Fra teori til algoritmer av Shai Shalev-Shwartz og Shai Ben-David
Tilgjengelig: på Amazon
Publisert: 2014
Sidetelling: 410
Mange lærebøker om maskinlæring er vanskelige å komme gjennom fordi forfatterne ikke klarer å sette seg i skoene til noen nye på feltet, men ikke denne. Forstå maskinlæring begynner med en klar introduksjon til statistisk maskinlæring. Den kobler deretter de teoretiske konseptene til praktiske algoritmer uten å være verken for ordig eller for vage. Uansett om du vil oppdatere kunnskapen din eller ta fatt på en livslang reise i bransjen, ikke nøl med å ta tak i denne læreboka.
Maskinlæring: Et sannsynlig perspektiv av Kevin P. Murphy
Tilgjengelig: på Amazon
Publisert: 2012
Sidetelling: 1104
Som tittelen på denne boken antyder, er denne introduksjonen til maskinlæring avhengig av sannsynlige modeller for å oppdage mønstre i data og bruke dem til å komme med spådommer om fremtidige data. Boken er skrevet i en hyggelig, uformell stil og gjør stor bruk av illustrasjoner og praktiske eksempler. Modellene den beskriver er implementert ved hjelp av Probabilistic Modeling Toolkit, som er en MATLAB -programvarepakke som du kan laste ned fra Internett. Dessverre støttes ikke verktøysettet lenger fordi den nye versjonen av denne boken vil bruke Python i stedet.
Informasjonsteori, inferens og læringsalgoritmer av David J. C. Mackay
Tilgjengelig: på Amazon
Publisert: 2003
Sidetelling: 640
Ja, denne læreboka ble utgitt for snart 20 år siden, men det gjør den ikke mindre relevant i dag. Tross alt er maskinlæring ikke så ung som den nylige hypen rundt det kan antyde. Hva gjør informasjonsteori, inferens og læringsalgoritmer av David J. C. Mackay så tidløs er dens tverrfaglige tilnærming som gir mange forbindelser mellom forskjellige felt. På egen hånd er det ikke veldig nyttig fordi det ikke har nok praktiske eksempler, men det fungerer bra som en innledende lærebok.
En introduksjon til statistisk læring: med applikasjoner i R av Gareth M. James, Trevor Hastie, Daniela Witten og Robert Tibshirani
Tilgjengelig: på Amazon
Publisert: 2013
Sidetelling: 440
Du kan tenke på en introduksjon til statistisk læring som et mer tilgjengelig alternativ til elementene i statistisk læring, som krever avansert kunnskap om matematisk statistikk. For å fullføre denne læreboka, bør du ha det bra med en bachelorgrad i matematikk eller statistikk. På sine 440 sider gir forfatterne en oversikt over feltet statistisk læring og presenterer viktig modellering og prediksjonsteknikker, komplett med applikasjonene sine.
Hundre-siders maskinlæringsbok av Andriy Burkov
Tilgjengelig: på Amazon
Publisert: 2019
Sidetelling: 160
Mens de fleste lærebøker som er oppført i denne artikkelen er nærmere tusen sider, forklarer denne tynne boken, som begynte som en utfordring på LinkedIn, mye på bare hundre eller så sider. En grunn til at hundre-siders maskinlæringsbok ble en øyeblikkelig hit er den vanlige språket, som er en kjærkommen avgang fra stive akademiske artikler. Vi anbefaler denne boken til programvareingeniører som tror de kan bruke tilgjengelige maskinlæringsverktøy, men ikke vet hvor de skal begynne. Når det er sagt, kan boka nytes av alle med interesse for maskinlæring fordi den legger vekt på konsepter fremfor kode.
Introduksjon til maskinlæring med Python: En guide for dataforskere av Andreas C. Müller og Sarah Guido
Tilgjengelig: på Amazon
Publisert: 2016
Sidetelling: 400
Hvis du er flytende i Python og ønsker å komme i gang med maskinlæring ved å bygge praktiske løsninger på virkelige problemer, er dette den rette boken for deg. Nei, du vil ikke lære for mye teori, men alle grunnleggende konsepter er dekket godt, og det er mange andre bøker som dekker resten. For å få mest mulig ut av introduksjon til maskinlæring med Python, bør du i det minste ha litt kjent med Numpy og Matplotlib -bibliotekene.
Anvendt prediktiv modellering av Max Kuhn og Kjell Johnson
Tilgjengelig: på Amazon
Publisert: 1. utg. 2013, Corr. 2. utskrift 2018
Sidetelling: 613
Denne læreboka gir en introduksjon til prediktive modeller, som bruker data og statistikk for å forutsi utfall med datamodeller. Det begynner med databehandling og fortsetter med moderne regresjons- og klassifiseringsteknikker, og understreker alltid reelle dataproblemer. Du kan enkelt implementere alle modeller som er forklart i boka takket være den medfølgende R -koden, som viser nøyaktig hva du trenger å gjøre for å ende opp med en fungerende løsning.
Dyp læring med Python av François Chollet
Tilgjengelig: på Amazon
Publisert: 2017
Sidetelling: 384
Du er kanskje allerede kjent med forfatteren av denne læreboka. Gitt denne informasjonen og tittelen på læreboka, bør det ikke overraske deg å lære at det er det beste Keras Crash -kurset som er tilgjengelig. Praktiske teknikker er prioritert ovenfor teorien, men det betyr bare at du kan løse sofistikerte maskinlæringsoppgaver på bare noen få uker.
Maskinlæring av Tom M. Mitchell
Tilgjengelig: på Amazon
Publisert: 1997
Sidetelling: 414
Denne boken ble utgitt i 1997, og introduserer alle typer maskinlæringsalgoritmer på et språk Alle CS -kandidater skal kunne forstå. Hvis du er den typen person som trenger å ha en bred forståelse av et bestemt emne før du føler deg komfortabel med å dykke dypt inn i det, vil du elske hvordan informasjonen i denne boken blir presentert. Bare ikke forvent maskinlæring av Tom M. Mitchell for å være en praktisk guide fordi det ikke er det denne boken skal være.
Building Machine Learning Powered Applications: Gå fra idé til produkt av Emmanuel Ameisen
Tilgjengelig: på Amazon
Publisert: 2020
Sidetelling: 260
Det er en ting å forstå maskinlæringsmodeller, og det er noe helt annet å vite hvordan de kan bringe dem til produksjon. Denne relativt slanke boken av Emmanuel Ameisen forklarer nettopp det, og vandrer deg gjennom hvert trinn i prosessen, fra den første ideen til distribuert produkt. Byggemaskinlæringsprevne applikasjoner kan anbefales til spirende dataforskere og ML -ingeniører som har mestret teorien, men som ennå ikke har brukt den i bransjen.
Forsterkningslæring: En introduksjon (2. utgave) av Richard S. Sutton, Andrew G. Barto
Tilgjengelig: på Amazon
Publisert: 2018
Sidetelling: 552
Forsterkningslæring er et område med maskinlæring som er opptatt av opplæring av maskinlæringsmodeller for å iverksette tiltak i et komplekst, usikkert miljø for å maksimere den totale mengden belønning mottatt. Hvis dette høres interessant ut for deg, ikke nøl med å kjøpe denne boken fordi den er ansett for å være Bibelen i emnet. Den andre utgaven inkluderer mange viktige strukturelle og innholdsendringer, så få det om mulig.
Lære av data fra Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Tilgjengelig: på Amazon
Publisert: 2012
Sidetelling: 213
Læring av data er en kort, men relativt fullstendig introduksjon til maskinlæring og dens praktiske anvendelser innen finans, handel, vitenskap og ingeniørfag. Boken er basert på mer enn et tiår med undervisningsmateriell, som forfatterne destillerte til et utvalg av kjerneemner som alle som er interessert i emnet, bør forstå. Det er flott for nybegynnere som ikke har mye tid til å studere teorien om maskinlæring, spesielt hvis de leses sammen med Yasers forelesningsserie på YouTube.
Nevrale nettverk og dyp læring: en lærebok av charu c. Aggarwal
Tilgjengelig: på Amazon
Publisert: 2018
Sidetelling: 497
Nevrale nettverk er en måte å gjøre maskinlæring på, og denne læreboka kan hjelpe deg med å forstå teorien bak dem. Akkurat som maskinlæring generelt, denne boken matematisk intens, så ikke forvent å komme for langt hvis matematikken din er rusten. Når det er sagt, gjør forfatteren en god jobb med å forklare matematikken bak alle ga eksempler og vandre leseren gjennom forskjellige intrikate scenarier.
Maskinlæring for absolutte nybegynnere: En vanlig engelsk introduksjon (2nd Utgave) av Oliver Theobald
Tilgjengelig: på Amazon
Publisert: 2017
Sidetelling: 157
Hvis du har interesse for maskinlæring, men ikke nødvendigvis føler deg komfortabel med å lese lange lærebøker om emnet, foretrekker du kanskje denne nybegynnervennlige boken, som gir en praktisk og høyt nivå introduksjon til maskinspråk ved hjelp av vanlig engelsk. Mot slutten av denne boken vil du vite hvordan du kan forutsi husverdier ved å bruke din første maskinlæringsmodell opprettet i Python.
Generativ dyp læring: Undervisningsmaskiner for å male, skrive, komponere og spille av David Foster
Tilgjengelig: på Amazon
Publisert: 2019
Sidetelling: 330
Mye er skrevet og sagt om generative motstridende nettverk (GAN), et av de hotteste temaene innen maskinlæring i dag. Hvis du vil forstå hvordan de og andre generative dype læringsmodeller fungerer under panseret, er denne boken av David Foster et flott utgangspunkt, så lenge du har erfaring med koding i Python.