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!