Мои любимые книги для изучения машинного обучения
Некоторые из лучших книг по машинному обучению были выпущены в Интернете бесплатно. Я бы даже сказал, что вы можете узнать об этом что угодно, просто используя ноутбук и доступ к Интернету - на самом деле все, от самой базовой линейной алгебры до современного глубокого обучения и даже обучения с подкреплением.
За последние пару месяцев и лет я многому научился, просто воспользовавшись всеми замечательными ресурсами в Интернете. Фактически, почти всем, что я знаю о машинном обучении, я обязан замечательному сообществу компьютерных наук, которое так открыто, когда дело доходит до обмена знаниями. Теперь я хочу что-то вернуть.
Книги в этом сообщении блога - одни из лучших, которые вы можете получить, если хотите изучать машинное обучение или глубокое обучение, если вы уже знакомы с основами. Кроме того, это не полный список, а собрание тщательно отобранных ресурсов по различным темам. Есть одна книга по линейной алгебре. Одна книга посвящена статистике и вероятности. Один по статистическому машинному обучению. И, наконец, два о глубоком обучении. Я давал ссылки везде, где мог. Они здесь.
Линейная алгебра, сделанная правильно Шелдоном Акслером
Все, что вам нужно, прежде чем читать это, - это математика средней школы. Основываясь на этом, книга знакомит вас с векторным и матричным мышлением, которое вам понадобится для машинного обучения и даже больше для глубокого обучения. Даже если вы не сразу понимаете, зачем вам все это, линейная алгебра действительно незаменима. Я думал, что книга помогает не сбиться с пути. Издание, которое я нашел в Интернете, немного устарело, но здесь это не имеет значения.
Математическая статистика и анализ данных Джона А. Райса
Вероятность и статистика неотделимы друг от друга. Таким образом, эта книга учит вас обоим, с помощью предыдущих глав, посвященных содержанию, связанному с вероятностью, такого как случайные переменные и распределения, и более поздним главам, посвященным оценке и проверке гипотез, которые, как я полагаю, считаются скорее статистическим содержанием. Поскольку машинное обучение по сути применяется вероятно и статистика, важно знать о них.
Это определенно одна из самых полных и полезных книг по классическому машинному обучению и всем его распространенным алгоритмам. Существует несколько упрощенная версия той же книги под названием Введение в статистическое обучение, которая является отличной первой книгой по машинному обучению. Не стесняйтесь использовать их бок о бок, если книга ESL становится слишком сложной, а книга ISL - легкой.
Эта книга проведет вас через нейронные сети с нуля, и она действительно хорошо справляется со своей задачей. Его объяснение обратного распространения ошибки - лучшее, что я когда-либо встречал. В книге также рассматриваются сверточные нейронные сети (CNN), хотя и не так широко. Эта книга особенно хороша для того, чтобы подготовить вас к следующей, гораздо более сложной.
Если последняя книга была эквивалентом обучения вождению велосипеда в мире глубокого обучения, то эта научит вас водить грузовик. Он очень математичен и включает в себя гораздо больше контента, чем предыдущий, включая RNN и множество даже более сложных вещей, которые я все еще далек от понимания. Так что я тоже читаю только некоторые из них. В любом случае, это, пожалуй, самая важная книга по нейронным сетям. Часть II особенно интересна, поскольку она знакомит с множеством мощных архитектур, используемых в Deep Learning. Несмотря на то, что он продвинутый, это можно сделать, проявив немного математических способностей и настойчивости.
Надеюсь, эти книги помогут вам лучше понять, как машины обучаются, независимо от вашего уровня или опыта. Но если вы начнете с нуля, вам следует начать с линейной алгебры и вероятности / статистики, затем перейти к машинному обучению и, наконец, к глубокому обучению. Еще один совет: как только вы изучите основы, которые вам не нужно читать от начала до конца, не стесняйтесь выбирать только те главы, которые кажутся вам актуальными или интересными. А если что-то все еще слишком продвинуто, просто вернитесь на несколько глав и вернитесь к этому позже. Не позволяйте этому разочаровывать вас. Несмотря на то, что машинное обучение нетривиально, идеи и концепции, которые остались, как и многие нейронные сети, на самом деле не так уж и сложны. Для начала не требуется ничего, кроме небольшой математики и базовых навыков программирования. С этого момента мало что мешает вам использовать передовое машинное обучение.
