Phenquestions
Det er ingen overraskelse at så mange mennesker vurderer å gå inn i den fascinerende verdenen av datalgoritmer som forbedres automatisk gjennom erfaring. Hvis du er blant dem - eller hvis du bare vil se forbi sprøytenarkomanen og forstå hva maskinlæring egentlig handler om - vårt utvalg av de 20 beste maskinlæringsbøkene kan hjelpe deg med å nå dine mål.
Artificial Intelligence: A Modern Approach (4. utgave) av Peter Norvig og Stuart J. Russell
Tilgjengelig: på Amazon
Publisert: 2020
Sidetall: 1136
Det var ikke vanskelig å bestemme hvilken maskinlæringsbok du skulle begynne med, fordi kunstig intelligens: en moderne tilnærming anbefales til studenter av universiteter over hele verden. Nå i sin 4th utgave, gjør boken en fantastisk jobb med å introdusere feltet kunstig intelligens (maskinlæring er en delmengde av AI) for nybegynnere, og den dekker også et bredt spekter av relaterte forskningstemaer, og gir nyttige referanser for videre studier. I følge forfatterne skal denne store læreboken ta omtrent to semestre å dekke, så forvent ikke at den blir raskt lest.
Mønstergjenkjenning og maskinlæring av Christopher M. Biskop
Tilgjengelig: på Amazon
Publisert: 2011
Sidetall: 738
Du kan tenke på mønstergjenkjenning og maskinlæring av Christopher M. Biskop som et skånsomt (i hvert fall så langt det gjelder maskinlæringsbøker) innføringskurs til teorien bak maskinlæring. Læreboka inneholder over 400 øvelser som er rangert etter vanskeligheter, og mye mer ekstra materiale er tilgjengelig på nettstedet. Bare forvent ikke å vite hvordan du bruker teorien læreboken lærer når du kommer til den siste siden, det er andre bøker for det.
Deep Learning av Goodfellow et. al
Tilgjengelig: på Amazon
Publisert: 2016
Sidetall: 800
Hvis du skulle be Elon Musk om å anbefale deg en bok om maskinlæring, er dette den han vil anbefale. Han sa en gang at Deep Learning er den eneste boken om dette emnet. Boken dekker alt fra matematisk og konseptuell bakgrunn til bransjeledende dyplæringsteknikker og de nyeste forskningsperspektivene. Vi anbefaler at du får den elektroniske versjonen fordi Deep Learning er beryktet for sin dårlige utskriftskvalitet.
The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition av Hastie, Tibshirani og Friedman
Tilgjengelig: på Amazon
Publisert: 2016
Sidetall: 767
Ikke la tittelen på denne læreboka skremme deg. Hvis du virkelig vil forstå maskinlæring og bruke den til å løse vanskelige problemer, må du bli vant til å lese lærebøker som ikke virker veldig imøtekommende. Selv om læreboken tar en avgjørende statistisk tilnærming, trenger du ikke å være statistiker for å lese den fordi den fremhever begreper i stedet for matematikk.
Praktisk maskinlæring med Scikit-Learn, Keras og TensorFlow: konsepter, verktøy og teknikker for å bygge intelligente systemer (2nd Edition) av Aurélien Géron
Tilgjengelig: på Amazon
Publisert: 2019
Sidetall: 856
Scikit-Learn, Keras og TensorFlow er tre populære maskinlæringsbiblioteker, og denne læreboken fokuserer på hvordan de kan brukes til å lage maskinlæringsprogrammer som løser faktiske problemer. Takket være nybegynnervennlig natur til disse bibliotekene kreves det minimal teoretisk kunnskap for å lese denne læreboka, noe som gjør den flott for de som ønsker å få en intuitiv forståelse av maskinlæring ved å bygge noe nyttig.
Forstå maskinlæring: Fra teori til algoritmer av Shai Shalev-Shwartz og Shai Ben-David
Tilgjengelig: på Amazon
Publisert: 2014
Sidetall: 410
Mange lærebøker om maskinlæring er vanskelige å komme igjennom fordi forfatterne ikke klarer å sette seg i skoene til noen som er nye i feltet, men ikke denne. Forstå maskinlæring begynner med en klar introduksjon til statistisk maskinlæring. Deretter kobler de teoretiske begrepene til praktiske algoritmer uten å være for ordrike eller for vage. Uansett om du vil oppdatere kunnskapen din eller legge ut på en livslang reise i bransjen, ikke nøl med å ta tak i denne læreboka.
Machine Learning: A Probabilistic Perspective av Kevin P. Murphy
Tilgjengelig: på Amazon
Publisert: 2012
Sidetall: 1104
Som tittelen på denne boken antyder, er denne introduksjonen til maskinlæring avhengig av sannsynlighetsmodeller for å oppdage mønstre i data og bruke dem til å spå om fremtidige data. Boken er skrevet i en behagelig, uformell stil og benytter stor illustrasjoner og praktiske eksempler. Modellene den beskriver er implementert ved hjelp av Probabilistic Modelling 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 bruker Python i stedet.
Informasjonsteori, inferens og læringsalgoritmer av David J. C. MacKay
Tilgjengelig: på Amazon
Publisert: 2003
Sidetall: 640
Ja, denne læreboka ble utgitt for nesten 20 år siden, men det gjør den ikke mindre relevant i dag. Tross alt er maskinlæring ikke nesten like ung som den siste sprøytenarkomanen rundt det kan antyde. Hva gjør informasjonsteori, inferens og læringsalgoritmer av David J. C. MacKay så tidløs er dens tverrfaglige tilnærming som gir rikelig forbindelse 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
Sidetall: 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 helt bra med en bachelorgrad i matematikk eller statistikk. På sine 440 sider gir forfatterne en oversikt over feltet statistisk læring og presenterer viktige modellerings- og prediksjonsteknikker, komplett med deres applikasjoner.
The Hundred-Page Machine Learning Book av Andriy Burkov
Tilgjengelig: på Amazon
Publisert: 2019
Sidetall: 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 sider. En grunn til at The Hundred-Page Machine Learning Book ble en øyeblikkelig hit, er dens klare språk, som er en velkommen avvik fra stive akademiske artikler. Vi anbefaler denne boka til programvareingeniører som tror de kan bruke tilgjengelige maskinlæringsverktøy, men som ikke vet hvor de skal begynne. Når det er sagt, kan boka nytes av alle som har interesse for maskinlæring fordi den vektlegger konsepter fremfor kode.
Introduksjon til maskinlæring med Python: En guide for dataforskere av Andreas C. Müller og Sarah Guido
Tilgjengelig: på Amazon
Publisert: 2016
Sidetall: 400
Hvis du behersker 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 begreper dekkes godt, og det er mange andre bøker som dekker resten. For å få mest mulig ut av Introduksjon til maskinlæring med Python, bør du ha i det minste litt kjennskap til NumPy og matplotlib-bibliotekene.
Applied Predictive Modelling av Max Kuhn og Kjell Johnson
Tilgjengelig: på Amazon
Publisert: 1. utg. 2013, Corr. 2. trykk 2018
Sidetall: 613
Denne læreboken gir en introduksjon til prediktive modeller, som bruker data og statistikk for å forutsi resultater med datamodeller. Det begynner med databehandling og fortsetter med moderne regresjon og klassifiseringsteknikker, og legger alltid vekt på virkelige 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.
Deep Learning with Python av François Chollet
Tilgjengelig: på Amazon
Publisert: 2017
Sidetall: 384
Du er kanskje allerede kjent med forfatteren av denne læreboken for maskinlæring fordi han er ansvarlig for et åpen kildekode-nevrale nettverksbibliotek kalt Keras, uten tvil det mest populære maskinlæringsbiblioteket skrevet i Python. Gitt denne informasjonen og tittelen på læreboka, bør det ikke overraske deg å høre at det er det beste Keras-kollisjonskurset som er tilgjengelig. Praktiske teknikker prioriteres over teori, men det betyr bare at du kan løse sofistikerte maskinlæringsoppgaver på bare noen få uker.
Machine Learning av Tom M. Mitchell
Tilgjengelig: på Amazon
Publisert: 1997
Sidetall: 414
Publisert i 1997 introduserer denne boka 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 boka presenteres. Bare ikke forvent Machine Learning av Tom M. Mitchell skal være en praktisk guide, for det er ikke hva denne boken skal være.
Building Machine Learning Powered Applications: Going from Idea to Product av Emmanuel Ameisen
Tilgjengelig: på Amazon
Publisert: 2020
Sidetall: 260
Det er en ting å forstå maskinlæringsmodeller, og det er noe helt annet å vite hvordan man kan bringe dem til produksjon. Denne relativt slanke boka av Emmanuel Ameisen forklarer nettopp det, når du går gjennom hvert trinn i prosessen, fra første idé til distribuert produkt. Building Machine Learning Powered Applications kan anbefales til spirende dataforskere og ML-ingeniører som har mestret teorien, men som ennå ikke har brukt den i bransjen.
Reinforcement Learning: An Introduction (2. utgave) av Richard S. Sutton, Andrew G. Barto
Tilgjengelig: på Amazon
Publisert: 2018
Sidetall: 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 belønningen du mottar. Hvis dette høres interessant ut for deg, ikke nøl med å kjøpe denne boken fordi den er allment ansett som Bibelen om emnet. Den andre utgaven inneholder mange viktige strukturelle og innholdsendringer, så få det hvis mulig.
Learning from Data av Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Tilgjengelig: på Amazon
Publisert: 2012
Sidetall: 213
Learning From Data er en kort, men relativt komplett introduksjon til maskinlæring og dens praktiske anvendelser innen økonomi, handel, vitenskap og ingeniørfag. Boken er basert på mer enn et tiår med undervisningsmateriale, som forfatterne distribuerte til et utvalg av kjerneemner som alle som er interessert i faget bør forstå. Det er flott for nybegynnere som ikke har mye tid til å studere teorien om maskinlæring, spesielt hvis de blir lest sammen med Yasers forelesningsserie på YouTube.
Neural Networks and Deep Learning: A Textbook av Charu C. Aggarwal
Tilgjengelig: på Amazon
Publisert: 2018
Sidetall: 497
Nevrale nettverk er en måte å gjøre maskinlæring på, og denne læreboken 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 eksemplene og gå leseren gjennom forskjellige intrikate scenarier.
Machine Learning For Absolute Beginners: A Plain English Introduction (2nd Edition) av Oliver Theobald
Tilgjengelig: på Amazon
Publisert: 2017
Sidetall: 157
Hvis du er interessert i 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 innføring i maskinspråk med vanlig engelsk. Mot slutten av denne boken vil du vite hvordan du kan forutsi husverdier ved hjelp av din første maskinlæringsmodell opprettet i Python.
Generativ dyp læring: læremaskiner å male, skrive, komponere og spille av David Foster
Tilgjengelig: på Amazon
Publisert: 2019
Sidetall: 330
Mye har blitt skrevet og sagt om generative adversarial nettverk (GAN), et av de hotteste emnene innen maskinlæring i dag. Hvis du vil forstå hvordan de og andre generative modeller for dyp læring fungerer under panseret, er denne boka av David Foster et flott utgangspunkt, så lenge du har erfaring med koding i Python.
