AI教程网 - 未来以来,拥抱AI;新手入门,从AI教程网开始......

面向初学者和专家的十大机器学习书籍

AI前沿 AI君 21℃

想学习机器学习吗?从这10本书开始。

面向初学者和专家的十大机器学习书籍

> Top 10 Books on Machine Learning For Absolute Beginners, Beginners and Experts

什么是机器学习?维基百科-机器学习(ML)是对计算机算法的研究,这些算法会根据经验自动提高。它被视为人工智能的子集。机器学习算法基于样本数据(称为”训练数据”)构建模型,以便做出预测或决策而无需明确地编程。机器学习算法用于各种应用程序,例如电子邮件过滤和计算机视觉,在这些应用程序中,很难或不可行地开发常规算法来执行所需的任务。

机器学习的十大应用:

  • 图像识别
  • 语音识别
  • 产品推荐
  • 自动驾驶汽车
  • 电子邮件垃圾邮件和恶意软件过滤
  • 虚拟个人助理
  • 在线欺诈检测
  • 自动语言翻译
  • 医学诊断
  • 产品推荐

这是有关机器学习的十大最佳书籍。

1. 绝对初学者的机器学习:简单的英语介绍

面向初学者和专家的十大机器学习书籍

> Machine Learning For Absolute Beginners: A Plain English Introduction

作者— Oliver Theobald

页数— 162

面向 —绝对初学者

说明-本书用英文解释写,没有编码经验。Oliver Theobald引入了核心算法,并给出了清晰的解释,并添加了直观的示例,以使其易于在家进行学习。

本书逐步指导您,您将学习:

  • 如何下载免费数据集
  • 您需要什么工具和机器学习库
  • 数据清理技术,包括一键编码,合并和处理丢失的数据
  • 准备分析数据,包括k倍验证
  • 回归分析以创建趋势线
  • 聚类,包括k-Means聚类以查找新关系
  • 神经网络的基础
  • 偏差/方差可改善您的机器学习模型
  • 决策树解码分类
  • 如何使用Python构建第一个机器学习模型以预测房屋价值

2. 百页机器学习书

面向初学者和专家的十大机器学习书籍

> The Hundred-Page Machine Learning Book

作者-Peter Norvig,Google研究总监,AIMA的合著者。AurélienGéron,高级AI工程师,畅销书Scikit-Learn和TensorFlow的动手机器学习的作者。亚马逊数据科学主管Karolis Urbonas。eBay工程主管Sujeet Varakhedi。

页数— 160

面向 —初学者

描述—有监督和无监督学习,支持向量机,神经网络,集成方法,梯度下降,聚类分析和降维,自动编码器和传递学习,特征工程以及超参数调整!数学,直觉,插图全部一百页!

3. 傻瓜的机器学习(在Python和R中)

面向初学者和专家的十大机器学习书籍

> Machine Learning (In Python And R) For Dummies

作者—约翰·穆勒(John Mueller)是自由作家和技术编辑。

页数— 399

面向 —初学者

说明-本书是快速入门的简便方法。它说明了入门方法,提供了有关基础算法的工作方式的详细讨论,使用诸如Python和R之类的语言使机器学习成为可能,并指定了如何使用通用算法进行实际操作,等等!

书内:

  • 有关AI的真实故事
  • R和Python编码
  • 统计的作用
  • 管理大数据
  • 揭开数学的神秘面纱
  • 使用线性模型
  • 神经网络的作用
  • 如何处理图像
  • 您可以使用更多工具

4. 面向黑客的机器学习:案例研究和算法入门

面向初学者和专家的十大机器学习书籍

> Machine Learning For Hackers: Case Studies And Algorithms To Get You Started

作者—作者Drew Conway和John Myles

页数— 340

面向 —初学者

说明-如果您是一位经验丰富的程序员,对数据处理感兴趣,那么本书将帮助您开始使用一种算法的机器学习工具包,该工具包使计算机能够训练自己以自动执行有用的任务。Drew Conway和John Myles White的作者通过一系列动手案例研究帮助您了解机器学习和统计工具,而不是传统的繁琐的演讲。

每章重点介绍机器学习中的特定问题,例如分类,预测,优化和推荐。使用R编程语言,您将学习如何分析样本数据集并编写简单的机器学习算法。黑客的机器学习非常适合来自任何背景的程序员,包括商业,政府和学术研究。

借助本书,您将:

  • 开发一个朴素的贝叶斯分类器,仅根据其文本确定电子邮件是否为垃圾邮件。
  • 使用线性回归预测前1,000个网站的网页浏览量。
  • 学习优化通过尝试打破简单的字母密码来实现这些技术。
  • 根据参议员的投票记录,对他们进行统计比较和对比。

5. 机器学习

面向初学者和专家的十大机器学习书籍

> Machine Learning

作者—汤姆·米切尔(Tom M. Mitchell)

页数432

面向 —初学者

说明-这本教科书提供了单一来源的机器学习主要方法的介绍。它适用于高级本科生和研究生,以及该领域的开发人员和研究人员。假定没有人工智能或统计学的现有背景。书中讨论的几种关键算法,日期集示例和面向项目的作业分配可通过万维网访问。

特色:

  • 本书以统一的方式涵盖了各个领域的概念和技术
  • 涵盖了遗传算法,强化学习和归纳逻辑—编程等最新主题。
  • 写作风格清晰,说明性和精确。

6. 使用Scikit-Learn,Keras和Tensor Flow进行动手机器学习:概念,工具和技术

面向初学者和专家的十大机器学习书籍

> Hands-On Machine Learning With Scikit-Learn, Keras And Tensor Flow: Concepts, Tools And Techniques

作者— Aurelian Geron是一名机器学习顾问和培训师。

页数— 848

面向 —全部

说明-您将学习各种技术,从简单的线性回归开始,一直到深入的神经网络。每章都有练习,可以帮助您应用所学的知识,因此,您所需要的只是编程经验。

借助本书,您将:

  • 探索机器学习的前景,尤其是神经网络
  • 使用Scikit-Learn端对端跟踪示例机器学习项目
  • 探索几种训练模型,包括支持向量机,决策树,随机森林和集成方法
  • 使用TensorFlow库构建和训练神经网络
  • 深入研究神经网络体系结构,包括卷积网络,递归网络和深度强化学习
  • 学习用于训练和扩展深度神经网络的技术

7. 使用Python进行深度学习

面向初学者和专家的十大机器学习书籍

> Deep Learning With Python

作者—FrançoisChollet,谷歌AI研究人员和Keras创作者。

页数— 384

面向 —全部

说明-它介绍了使用Python语言和强大的Keras库进行深度学习的领域。本书由Keras创作者和Google AI研究人员FrançoisChollet撰写,本书通过直观的解释和实际示例来加深您的理解。

目录:

  • 第1部分-深度学习基础
  • 什么是深度学习?
  • 在我们开始之前:神经网络的数学基础
  • 神经网络入门
  • 机器学习基础
  • 第2部分-深度学习实践
  • 用于计算机视觉的深度学习
  • 文本和序列的深度学习
  • 先进的深度学习最佳实践
  • 生成式深度学习
  • 结论
  • 附录A —在Ubuntu上安装Keras及其依赖项
  • 附录B —在EC2 GPU实例上运行Jupyter笔记本

从亚马逊购买。

8. 深度学习(自适应计算和机器学习系列)

面向初学者和专家的十大机器学习书籍

> Deep Learning (Adaptive Computation And Machine Learning Series)

作者-Ian Goodfellow是Google的研究科学家(对抗生成网络GAN的发明者)。Yoshua Bengio是蒙特利尔大学计算机科学教授(图灵奖得主)。Aaron Courville是蒙特利尔大学计算机科学的助理教授。

页数— 800

面向 —初学者/中级

说明-本书介绍了深度学习的广泛主题,涵盖数学和概念背景,行业中使用的深度学习技术以及研究观点。

特斯拉和SpaceX首席执行官埃隆·马斯克(Elon Musk)的评论:”深度学习由该领域的三位专家撰写,是有关该主题的唯一一本全面的书。”

9. 模式识别与机器学习(信息科学与统计)

面向初学者和专家的十大机器学习书籍

> Pattern Recognition And Machine Learning (Information Science And Statistics)

作者—克里斯·毕晓普(Chris Bishop)是微软研究院剑桥的一位杰出科学家和实验室主任。

页数— 738

面向 —中级/专家

说明-这是第一本介绍贝叶斯观点的模式识别教科书。本书介绍了近似推理算法,可以在无法给出精确答案的情况下提供快速近似答案。当没有其他书籍将图形模型应用于机器学习时,它使用图形模型来描述概率分布。不会假设以前有任何模式识别或机器学习概念的知识。需要熟悉多元演算和基本线性代数,并且使用概率的一些经验会有所帮助,尽管不是必不可少的,因为这本书包括对基本概率论的独立介绍。

10. 统计学习的要素:数据挖掘,推理和预测,第二版

面向初学者和专家的十大机器学习书籍

> The Elements Of Statistical Learning: Data Mining, Inference, And Prediction, Second Edition

作者-Trevor Hastie,Robert Tibshirani和Jerome Friedman是斯坦福大学的统计学教授。

页数— 745

面向 —中级/专家

说明-本书在一个通用的概念框架中描述了各个领域的重要思想,例如医学,生物学,金融和市场营销。尽管该方法是统计方法,但重点是概念而不是数学。大量使用彩色图形给出了示例。对于统计学家和对科学或工业中的数据挖掘感兴趣的任何人来说,它都是宝贵的资源。本书涵盖范围广泛,从监督学习(预测)到无监督学习。许多主题包括神经网络,支持向量机,分类树和boosting-这是任何书籍中对该主题的第一个全面处理。

原文链接:

https://medium.com/datadriveninvestor/top-10-books-on-machine-learning-for-absolute-beginners-beginners-and-experts-88cfcb94ccce)

【责任编辑:赵宁宁 TEL:(010)68476606】

点赞 0

作者:闻数起舞_今日头条
原文链接:https://www.toutiao.com/i6915747633046864391/

转载请注明:www.ainoob.cn » 面向初学者和专家的十大机器学习书籍

喜欢 (0)or分享 (0)