Готовы погрузиться в мир машинного обучения, но не знаете, с чего начать? Не беспокойся! Я подготовил для вас список из 10 книг, которые обязательно нужно прочитать, которые направят вас на правильный путь. Независимо от того, являетесь ли вы абсолютным новичком или имеете некоторый опыт работы в сфере технологий, эти книги станут вашим путеводителем по освоению машинного обучения. 📚
1. «Машинное обучение Python Себастьяна Рашки и Вахида Мирджалили»
Зачем ее читать? Эта книга идеально подходит для новичков, обладающих базовыми навыками Python. Она предлагает практические идеи по применению алгоритмов машинного обучения с использованием Scikit-Learn и TensorFlow.
Рассматриваемые темы:
- Контролируемое/неконтролируемое обучение
- Нейронные сети
- Работа с текстовыми данными
2. «Распознавание образов и машинное обучение Кристофера М. Бишопа»
Зачем это читать? Это полезный ресурс для тех, кто хочет понять статистические основы алгоритмов машинного обучения.
Рассматриваемые темы:
- Байесовские сети
- Методы ядра
- Графические модели
3. «Глубокое обучение Иэна Гудфеллоу, Йошуа Бенджио и Аарона Курвиля»
Зачем ее читать? Эта книга представляет собой комплексное руководство по глубокому обучению и обязательна к прочтению всем, кто хочет углубиться в нейронные сети и не только.
Рассматриваемые темы:
- Сверточные сети
- Последовательное моделирование
- Генеративные модели
4. «Элементы статистического обучения Тревора Хасти, Роберта Тибширани и Джерома Фридмана»
Зачем ее читать? Эта книга — ваша математическая библия машинного обучения, глубоко погружающая в статистическую теорию, лежащую в основе алгоритмов.
Рассматриваемые темы:
- Линейные методы
- Ансамблевое обучение
- Машины опорных векторов
5. «Прикладное прогнозное моделирование Макса Куна и Челля Джонсона»
Зачем ее читать?
Эта книга — отличный выбор для тех, кто хочет понять, как прогнозное моделирование работает в реальных приложениях. В нем также подчеркивается важность проверки и настройки модели.
Рассматриваемые темы:
- Предварительная обработка и разработка функций
- Методы повторной выборки
- Настройка и оценка модели
6. «Обучение с подкреплением: введение Ричарда С. Саттона и Эндрю Дж. Барто»
Зачем ее читать? Эта книга представляет собой подробное руководство по захватывающей области обучения с подкреплением, подмножеству машинного обучения, ориентированному на проблемы принятия решений.
Рассматриваемые темы:
- Итерация политики
- Q-обучение
- Методы временной разницы
7. «Практическая статистика для специалистов по данным Эндрю Брюса и Питера Брюса»
Зачем ее читать? Эта книга — фантастический ресурс для изучения статистики. Она поможет вам понять математическую основу алгоритмов.
Рассматриваемые темы:
- Исследование данных
- Проверка гипотезы
- Регрессивный анализ
8. «Наука о данных с нуля Джоэла Груса»
Зачем ее читать? Если вы хотите понять алгоритмы с нуля и самостоятельно их кодировать, эта книга для вас.
Рассматриваемые темы:
- Обработка данных
- K-Ближайшие соседи
- Наивный Байес
9. «Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow, Орельен Жерон»
Зачем ее читать? В этой книге представлен практический подход к изучению машинного обучения с множеством примеров и проектов, которые помогут вам запачкать руки.
Рассматриваемые темы:
- Комплексные проекты машинного обучения
- Точная настройка нейронных сетей
- AutoML и поиск нейронной архитектуры
10. «Машинное обучение: искусство и наука алгоритмов, которые осмысливают данные, Питер Флах»
Зачем это читать? Потрясающий вводный текст, в котором рассматриваются основы с упором на применение алгоритмов для решения реальных задач.
Рассматриваемые темы:
- Оценка и оптимизация
- Деревья решений
- Обучение на основе правил
Приятного чтения! Желаем стать профессионалом в области машинного обучения!