Если вы тот, кто хочет изучить машинное обучение и у вас есть страстное желание и смелость углубиться в него, тогда «Машинное обучение для чайников» — ваш ключ к освоению почти всего, что связано с ML.
Во всех аспектах «Машинное обучение для чайников» хорошо, кроме названия, поначалу я был им очень недоволен, никому не нравится, когда кто-то называет их тупыми, но после прочтения просто игнорирую.
Машинное обучение для чайников охватывает почти все, что касается машинного обучения, и обеспечивает хорошее понимание этого предмета. Это не книга для продвинутого уровня, но да, если новичок захочет ее прочитать, он никогда не разочаруется.
Рекомендуется: 10 основных алгоритмов машинного обучения и их применение
А также, если вы тот, кто вообще никогда в жизни не программировал и только начинает, все равно эта книга поможет вам разобраться с машинным обучением, вот только с этим ее практическим руководством вы ничего не построите.
Машинное обучение для чайников разделено на шесть частей. Если вам это интересно, вы можете скачать его по ссылке внизу этой статьи абсолютно бесплатно.
Машинное обучение для чайников научит вас различным типам машинного обучения, в том числе обучению с учителем, обучению без учителя и обучению с подкреплением.
При обучении с учителем машина обучается на примерах, тогда как при обучении без учителя машина изучает данные для выявления закономерностей, есть только входные переменные (X), но нет соответствующих выходных переменных.
Если говорить об обучении с подкреплением, то машине предоставляется набор действий, параметров и конечных значений. Если вы хотите узнать больше об алгоритмах машинного обучения, которые делятся на эти три типа, не стесняйтесь ознакомиться со статьей ниже.
В книге объясняется, как начать работу, подробно обсуждается, как работают лежащие в основе алгоритмы, используются такие языки, как Python и R, чтобы сделать машинное обучение возможным, и указывается, как выполнять практические действия с помощью.
Машинное обучение для чайников также охватывает множество других концепций машинного обучения, таких как статистика, линейные модели, демистификация математики, использование сходства, нейронные сети, сложность с нейронными сетями.
Писатели также рассказывают о машинах опорных векторов, больших данных и многом другом.
Машинное обучение для чайников подробно рассказывает о языках программирования и инструментах, являющихся неотъемлемой частью машинного обучения, большая часть кода написана в Машинное обучение для чайников на Python и R.
В этой книге не так много кода, и какой бы код ни был в Python и R, автор использовал его, чтобы научить машины находить закономерности и анализировать результаты.
Эти знания в этой книге изложены простым и понятным языком.
Машинное обучение для чайников написано Джоном Полом Мюллером и Лукой Массарон. Джон Пол Мюллер — известный автор, он написал уже 108 книг и более 600 статей, а Лука Массарон — специалист по данным и специалист по многомерному статистическому анализу и машинному обучению.
Содержание:
Часть 1. Введение в процесс обучения машин 7
ГЛАВА 1: Реальная история об ИИ 9
ГЛАВА 2: Обучение в эпоху больших данных 23
ГЛАВА 3: Взгляд в будущее 35
Часть 2. Подготовка средств обучения 45
ГЛАВА 4: Установка дистрибутива R 47
ГЛАВА 5: Программирование в R с использованием RStudio 63
ГЛАВА 6: Установка дистрибутива Python 89
ГЛАВА 7: Программирование на Python с использованием Anaconda 109
ГЛАВА 8: Изучение других инструментов машинного обучения 137
Часть 3. Начало работы с основами математики 145
ГЛАВА 9: Демистификация математики, лежащей в основе машинного обучения 147
ГЛАВА 10: Спуск по правой кривой 167
ГЛАВА 11: Проверка машинного обучения 181
ГЛАВА 12: Начиная с простых учащихся 199
Часть 4. Учимся на основе интеллектуальных и больших данных 217
ГЛАВА 13: Предварительная обработка данных 219
ГЛАВА 14: Использование подобия 237
ГЛАВА 15: Простой способ работы с линейными моделями 257
ГЛАВА 16. Усложнение с помощью нейронных сетей 279
ГЛАВА 17. На шаг впереди использования машин опорных векторов 297
ГЛАВА 18: Обращение к ансамблям учащихся 315
Часть 5. Применение обучения к реальным проблемам 331
ГЛАВА 19: Классификация изображений 333
ГЛАВА 20: Подсчет мнений и настроений 349
ГЛАВА 21: Рекомендация продуктов и фильмов 369
Часть 6: часть десятков 383
ГЛАВА 22. Десять пакетов машинного обучения, которые необходимо освоить 385
ГЛАВА 23. Десять способов улучшить модели машинного обучения 391
Загрузите машинное обучение для чайников бесплатно
Подробнее об искусственном интеллекте:
Новая модель машинного обучения помогает прогнозировать извержения вулканов
Новый графический процессор Nivida TITAN RTX обладает чудовищной мощью для глубокого обучения
Модель машинного обучения Google расшифровывает песни горбатых китов
Первоначально опубликовано на techgrabyte.com 24 января 2019 г.
