Datavetenskap

Bästa läroböcker för maskininlärning 2020

Bästa läroböcker för maskininlärning 2020
Maskininlärning är ett av de hetaste IT-ämnena idag, med användningsfall som täcker allt från datasäkerhet till ekonomisk handel till marknadsanpassning. Positionen som maskininlärningsingenjör har snabbt blivit ett av de mest efterfrågade jobben i världen, och den genomsnittliga grundlön som följer med speglar detta.

Det är ingen överraskning att så många människor överväger att gå in i den fascinerande världen av datoralgoritmer som förbättras automatiskt genom erfarenhet. Om du är bland dem - eller om du bara vill se förbi hypen och förstå vad maskininlärning egentligen handlar om - vårt urval av de 20 bästa läroböckerna för maskininlärning kan hjälpa dig att nå dina mål.

Artificial Intelligence: A Modern Approach (4: e upplagan) av Peter Norvig och Stuart J. Russell

Tillgängligt: på Amazon

Publicerad: 2020
Sidonummer: 1136

Att bestämma vilken maskininlärningsbok som började med var inte svårt eftersom artificiell intelligens: en modern metod rekommenderas till studenter av universitet runt om i världen. Nu i sin 4th utgåva, boken gör ett fantastiskt jobb med att introducera området artificiell intelligens (maskininlärning är en delmängd av AI) för nybörjare, och den täcker också ett brett spektrum av relaterade forskningsämnen och ger användbara referenser för vidare studier. Enligt dess författare bör den här stora läroboken ta cirka två terminer att täcka, så förvänta dig inte att den blir en snabb läsning.

Mönsterigenkänning och maskininlärning av Christopher M. biskop

Tillgängligt: på Amazon

Publicerad: 2011
Sidonummer: 738

Du kan tänka på mönsterigenkänning och maskininlärning av Christopher M. Biskop som en mild (åtminstone vad gäller maskininlärnings läroböcker) introduktionskurs till teorin bakom maskininlärning. Läroboken innehåller över 400 övningar som klassificeras efter deras svårighet, och mycket mer extra material finns på webbplatsen. Förvänta dig inte att veta hur man tillämpar teorin som läroboken lär ut när du når sin sista sida - det finns andra böcker för det.

Deep Learning av Goodfellow et. al

Tillgängligt: på Amazon

Publicerad: 2016
Sidonummer: 800

Om du skulle be Elon Musk att rekommendera dig en bok om maskininlärning är det den han skulle rekommendera. Han säger en gång att Deep Learning är den enda boken om detta ämne. Boken täcker allt från den matematiska och konceptuella bakgrunden till branschledande djupinlärningstekniker och de senaste forskningsperspektiven. Vi rekommenderar att du hämtar den elektroniska versionen eftersom Deep Learning är ökänt för sin dåliga utskriftskvalitet.

The Elements of Statistical Learning: Data Mining, Inference, and Prediction, andra upplagan av Hastie, Tibshirani och Friedman

Tillgängligt: på Amazon

Publicerad: 2016
Sidonummer: 767

Låt inte titeln på denna lärobok skrämma dig. Om du verkligen vill förstå maskininlärning och tillämpa det för att lösa svåra problem, måste du vänja dig vid att läsa läroböcker som inte verkar vara särskilt tillgängliga. Trots att läroboken tar ett avgörande statistiskt synsätt behöver du inte vara statistiker för att läsa den eftersom den betonar begrepp snarare än matematik.

Praktisk maskininlärning med Scikit-Learn, Keras och TensorFlow: begrepp, verktyg och tekniker för att bygga intelligenta system (2nd Edition) av Aurélien Géron

Tillgängligt: på Amazon

Publicerad: 2019
Sidonummer: 856

Scikit-Learn, Keras och TensorFlow är tre populära maskininlärningsbibliotek, och den här läroboken fokuserar på hur de kan användas för att skapa maskininlärningsprogram som löser faktiska problem. Tack vare nybörjarvänliga karaktären hos dessa bibliotek krävs minimala teoretiska kunskaper i bakgrunden för att läsa denna lärobok, vilket gör den perfekt för dem som vill få en intuitiv förståelse för maskininlärning genom att bygga något användbart.

Förstå maskininlärning: Från teori till algoritmer av Shai Shalev-Shwartz och Shai Ben-David

Tillgängligt: på Amazon

Publicerad: 2014
Sidonummer: 410

Många läroböcker om maskininlärning är svåra att komma igenom eftersom deras författare inte kan sätta sig i skorna hos någon ny inom området, men inte den här. Att förstå maskininlärning börjar med en tydlig introduktion till statistisk maskininlärning. Den kopplar sedan de teoretiska begreppen till praktiska algoritmer utan att vara varken för ordlig eller för vag. Oavsett om du vill uppdatera dina kunskaper eller ge dig ut på en livslång resa i branschen, tveka inte att ta tag i den här läroboken.

Machine Learning: A Probabilistic Perspective av Kevin P. Murphy

Tillgängligt: på Amazon

Publicerad: 2012
Sidonummer: 1104

Som titeln på den här boken antyder är denna introduktion till maskininlärning beroende av probabilistiska modeller för att upptäcka mönster i data och använda dem för att förutsäga framtida data. Boken är skriven i en trevlig, informell stil och använder illustrationer och praktiska exempel. Modellerna som beskrivs har implementerats med Probabilistic Modeling Toolkit, som är ett MATLAB-programvarupaket som du kan ladda ner från internet. Tyvärr stöds inte verktyget längre eftersom den nya versionen av den här boken använder Python istället.

Informationsteori, inferens och inlärningsalgoritmer av David J. C. MacKay

Tillgängligt: på Amazon

Publicerad: 2003
Sidonummer: 640

Ja, den här läroboken släpptes för nästan 20 år sedan, men det gör den inte mindre relevant idag. När allt kommer omkring är maskininlärning inte alls så ung som den senaste hypen kring det kan föreslå. Vad gör informationsteori, inferens och inlärningsalgoritmer av David J. C. MacKay så tidlös är dess tvärvetenskapliga tillvägagångssätt som ger gott om kopplingar mellan olika fält. På egen hand är det inte särskilt användbart eftersom det inte har tillräckligt med praktiska exempel, men det fungerar bra som en introduktionsbok.

En introduktion till statistiskt lärande: Med applikationer i R av Gareth M. James, Trevor Hastie, Daniela Witten och Robert Tibshirani

Tillgängligt: på Amazon

Publicerad: 2013
Sidonummer: 440

Du kan tänka dig En introduktion till statistiskt lärande som ett mer tillgängligt alternativ till elementen för statistiskt lärande, som kräver avancerad kunskap om matematisk statistik. För att avsluta den här läroboken bör du ha det bra med en kandidatexamen i matematik eller statistik. På sina 440 sidor ger författarna en översikt över området för statistiskt lärande och presenterar viktiga modellerings- och förutsägelsestekniker, komplett med sina applikationer.

Den hundra sidiga maskininlärningsboken av Andriy Burkov

Tillgängligt: på Amazon

Publicerad: 2019
Sidonummer: 160

Medan de flesta läroböcker som listas i den här artikeln ligger närmare tusen sidor, förklarar den tunna boken, som började som en utmaning på LinkedIn, mycket på bara hundra sidor. En anledning till att The Hundred-Page Machine Learning Book blev en omedelbar hit är dess enkla språk, vilket är en välkommen avvikelse från styva akademiska artiklar. Vi rekommenderar den här boken till mjukvaruutvecklare som tror att de kan använda tillgängliga maskininlärningsverktyg men inte vet var de ska börja. Med det sagt kan boken åtnjutas av alla med intresse för maskininlärning eftersom den betonar begrepp över kod.

Introduktion till maskininlärning med Python: En guide för datavetare av Andreas C. Müller och Sarah Guido

Tillgängligt: på Amazon

Publicerad: 2016
Sidonummer: 400

Om du är flytande i Python och vill komma igång med maskininlärning genom att bygga praktiska lösningar på verkliga problem är det här rätt bok för dig. Nej, du lär dig inte för mycket teori, men alla grundläggande begrepp täcks väl, och det finns många andra böcker som täcker resten. För att få ut mesta möjliga av Introduktion till maskininlärning med Python bör du ha åtminstone en del förtrogenhet med NumPy- och matplotlib-biblioteken.

Applied Predictive Modelling av Max Kuhn och Kjell Johnson

Tillgängligt: på Amazon

Publicerad: 1: a upplagan. 2013, Corr. 2: a tryckningen 2018
Sidonummer: 613

Denna lärobok ger en introduktion till prediktiva modeller, som använder data och statistik för att förutsäga resultat med datamodeller. Det börjar med databearbetning och fortsätter med modern regression och klassificeringsteknik, och betonar alltid verkliga dataproblem. Du kan enkelt implementera alla modeller som förklaras i boken tack vare den medföljande R-koden, som visar exakt vad du behöver göra för att få en fungerande lösning.

Deep Learning with Python av François Chollet

Tillgängligt: på Amazon

Publicerad: 2017
Sidonummer: 384

Du kanske redan känner till författaren till denna maskininlärningsbok eftersom han är ansvarig för ett öppen källkodsnätbibliotek som heter Keras, utan tvekan det mest populära maskininlärningsbiblioteket skrivet i Python. Med tanke på denna information och titeln på läroboken borde det inte förvåna dig att lära dig att det är den bästa Keras-kraschkursen som finns. Praktiska tekniker prioriteras framför teorin, men det betyder bara att du kan lösa sofistikerade maskininlärningsuppgifter på bara några veckor.

Machine Learning av Tom M. Mitchell

Tillgängligt: på Amazon

Publicerad: 1997
Sidonummer: 414

Publicerad 1997 introducerar den här boken alla typer av maskininlärningsalgoritmer på ett språk som alla CS-akademiker ska kunna förstå. Om du är den typ av person som behöver ha en bred förståelse för ett visst ämne innan du känner dig bekväm att dyka djupt in i det, kommer du att älska hur informationen i den här boken presenteras. Förvänta dig bara Machine Learning av Tom M. Mitchell ska vara en praktisk guide för det är inte vad den här boken ska vara.

Byggd maskininlärningsdrivna applikationer: Gå från idé till produkt av Emmanuel Ameisen

Tillgängligt: på Amazon

Publicerad: 2020
Sidonummer: 260

Det är en sak att förstå maskininlärningsmodeller, och det är något helt annat att veta hur man tar dem till produktion. Denna relativt smala bok av Emmanuel Ameisen förklarar just det, genom att gå igenom varje steg i processen, från första idé till distribuerad produkt. Byggmaskininlärningsdrivna applikationer kan rekommenderas till spirande datavetare och ML-ingenjörer som har behärskat teorin men som ännu inte har tillämpat den i branschen.

Reinforcement Learning: An Introduction (2nd Edition) av Richard S. Sutton, Andrew G. Barto

Tillgängligt: på Amazon

Publicerad: 2018
Sidonummer: 552

Förstärkningslärande är ett område för maskininlärning som handlar om utbildning av maskininlärningsmodeller för att vidta åtgärder i en komplex, osäker miljö för att maximera den totala belöningen som mottas. Om det här låter intressant för dig, tveka inte att köpa den här boken eftersom den allmänt anses vara ämnesbibeln. Den andra upplagan innehåller många viktiga struktur- och innehållsförändringar, så få det om möjligt.

Learning from Data av Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.

Tillgängligt: på Amazon

Publicerad: 2012
Sidonummer: 213

Learning From Data är en kort men relativt komplett introduktion till maskininlärning och dess praktiska tillämpningar inom ekonomi, handel, vetenskap och teknik. Boken är baserad på mer än ett decennium av undervisningsmaterial, som författarna destillerade till ett urval av kärnämnen som alla som är intresserade av ämnet borde förstå. Det är bra för nybörjare som inte har mycket tid att studera teorin om maskininlärning, speciellt om de läses tillsammans med Yasers föreläsningsserie på YouTube.

Neurala nätverk och djupinlärning: En lärobok av Charu C. Aggarwal

Tillgängligt: på Amazon

Publicerad: 2018
Sidonummer: 497

Neurala nätverk är ett sätt att göra maskininlärning, och den här läroboken kan hjälpa dig att förstå teorin bakom dem. Precis som maskininlärning i allmänhet, den här boken matematiskt intensiv, så förvänta dig inte att komma för långt om din matte är rostig. Med det sagt gör författaren ett bra jobb med att förklara matematiken bakom alla tillhandahållna exempel och gå igenom läsaren genom olika invecklade scenarier.

Maskininlärning för absoluta nybörjare: En vanlig engelsk introduktion (2nd Edition) av Oliver Theobald

Tillgängligt: på Amazon

Publicerad: 2017
Sidonummer: 157

Om du är intresserad av maskininlärning men inte nödvändigtvis känner dig bekväm att läsa långa läroböcker om ämnet kanske du föredrar den här nybörjarvänliga boken, som ger en praktisk och hög introduktion till maskinspråk med vanlig engelska. I slutet av den här boken vet du hur du kan förutsäga husvärden med din första maskininlärningsmodell skapad i Python.

Generativ Deep Learning: lärmaskiner att måla, skriva, komponera och spela av David Foster

Tillgängligt: på Amazon

Publicerad: 2019
Sidonummer: 330

Mycket har skrivits och sagts om generativa kontroversiella nätverk (GAN), ett av de hetaste ämnena inom maskininlärning idag. Om du vill förstå hur de och andra generativa djupinlärningsmodeller fungerar under huven, är den här boken av David Foster en bra utgångspunkt, så länge du har erfarenhet av kodning i Python.

Mus Så här vänder du mus- och styrplattans rullningsriktning i Windows 10
Så här vänder du mus- och styrplattans rullningsriktning i Windows 10
Mus och Pekplattas gör inte bara datoranvändning lättare men effektivare och mindre tidskrävande. Vi kan inte föreställa oss ett liv utan dessa enhete...
Mus Så här ändrar du muspekare och markörstorlek, färg och schema på Windows 10
Så här ändrar du muspekare och markörstorlek, färg och schema på Windows 10
Muspekaren och markören i Windows 10 är mycket viktiga aspekter av operativsystemet. Detta kan också sägas för andra operativsystem, så i sanning är d...
Gratis och öppen källkodsmotorer för utveckling av Linux-spel
Den här artikeln kommer att täcka en lista över gratis motorer med öppen källkod som kan användas för att utveckla 2D- och 3D-spel på Linux. Det finns...