5 бесплатных книг, чтобы освоить машинное обучение

5 бесплатных книг, которые помогут освоить машинное обучение

 

В современном высокотехнологичном мире машинное обучение является крайне важным. Возможно, вы прошли несколько онлайн-курсов, но они обычно не рассматривают детали. Если вы действительно хотите глубоко погрузиться и овладеть машинным обучением, лучше всего выбрать книги. Я понимаю, что с таким множеством вариантов может быть ошеломляюще, но не волнуйтесь, мы поддержим вас.

Я отобрала пять книг, которые существенно повлияли на мой путь в области машинного обучения. Эти книги помогут вам лучше понять машинное обучение в 2023 году.

Если вы готовы повысить свои знания до нового уровня и исследовать глубины этой увлекательной области, продолжайте читать.

• Проложение пути в совместном генерировании зрительных и языковых данных раскрытие силы генеративных вокенов с помощью MiniGPT-5
• Революционизация настройки языковых моделей достижение беспрецедентных результатов с помощью шумных вложений NEFTune.
• Интеллектуальная обработка документов с помощью Amazon Textract, Amazon Bedrock и LangChain

 

1. Машинное обучение для начинающих 

 

Автор: Оливер Теобальд

Ссылка:  Машинное обучение для начинающих

  

Вы слышали о термине «машинное обучение» и хотите погрузиться в эту захватывающую область, но не знаете, с чего начать. Тогда эта книга именно для вас!

Эта книга идеальна для тех, кто новичок в этой области и не имеет опыта программирования. Она написана простым языком и не требует предварительного опыта программирования. Книга дает общее представление о машинном обучении, предоставляет бесплатные упражнения с кодом и видеодемонстрации. Что еще вы могли бы пожелать?

Освещаемые темы:

• Что такое Машинное обучение?
• Категории МО
• Инструменты МО
• Очистка данных
• Настройка данных
• Регрессионный анализ
• Кластеризация
• Предвзятость и разброс
• Искусственные нейронные сети
• Деревья решений
• Ансамблевое моделирование
• Построение модели на Python
• Оптимизация модели

 

2. Математика для машинного обучения 

 

Автор: Марк Питер Дайзенрот

Ссылка: Математика для машинного обучения

  

Теперь, когда вы знакомы с некоторыми основными концепциями, пришло время заложить основу для изучения сложных тем машинного обучения. Что же делать сейчас? Вам понадобится только Математика для машинного обучения!

Это самостоятельное пособие, которое представляет основные математические инструменты, необходимые для понимания машинного обучения. Книга представляет математические концепции с минимальными предварительными требованиями и использует эти концепции для вывода четырех основных методов машинного обучения: линейной регрессии, метода главных компонент, гауссовых смесей и машин опорных векторов.

Автор книги, Марк Питер Дайзенрот, является профессором искусственного интеллекта в Университетском колледже Лондона и был награжден несколькими премиями за свои исследования в области машинного обучения.

Освещаемые темы:

• Линейная алгебра
• Аналитическая геометрия
• Матричные разложения
• Векторное исчисление
• Вероятность и распределения
• Непрерывная оптимизация
• Когда модели встречают данные
• Линейная регрессия
• Снижение размерности с помощью метода главных компонент
• Оценка плотности с помощью гауссовых смесей
• Классификация с помощью машин опорных векторов

 

3. Машинное обучение для хакеров 

 

Авторы: Дрю Конуэй и Джон Майлс Уайт

Ссылка: Машинное обучение для хакеров

  

Ты уже изучил теорию, и теперь хочешь начать заниматься настоящими машинными обучением. Не волнуйся, если у тебя умение программировать и писать код, то эта книга именно для тебя.

В книге используются практические примеры для демонстрации прикладной значимости алгоритмов машинного обучения. Эти примеры, включая создание системы рекомендаций для Twitter, связывают абстрактные концепции с конкретными применениями. Эта книга подходит для программистов, которым нравятся практические примеры.

Освещаемые темы:

• Исследование данных
• Классификация: фильтрация спама
• Ранжирование: приоритетный почтовый ящик
• Регрессия: предсказание количества просмотров страницы
• Регуляризация: регрессия текста
• Оптимизация: взлом шифрования
• Метод главных компонент: построение рыночного индекса
• Многомерное шкалирование: визуальное исследование подобия американских сенаторов
• kNN: системы рекомендаций
• Анализ социальных графов
• Сравнение моделей

 

4. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

 

Автор: Жерон Орельен

Ссылка: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

  

Эта книга – практическое руководство по машинному обучению, которое охватывает все этапы создания системы от начала и до конца. В книге рассматриваются такие темы, как линейная регрессия, деревья решений, ансамблирование, нейронные сети, глубокое обучение и многое другое.

Освещаемые темы:

• Выбор метрики производительности
• Создание тестового набора данных
• Линейная регрессия с градиентным спуском
• Регрессия Ridge, Lasso и Elastic Net
• Метод опорных векторов для классификации
• Деревья решений и критерий Джини
• Ансамблирование методов обучения
• Метод главных компонент (PCA)
• Кластеризация с помощью K-Means и DBSCAN
• Искусственные нейронные сети с использованием Keras
• Обучение глубоких нейронных сетей
• Создание пользовательских моделей с использованием TensorFlow
• Загрузка и предобработка данных с использованием TensorFlow
• Сверточные нейронные сети (CNNs), рекуррентные нейронные сети (RNNs) и генеративно-состязательные сети (GANs) в глубоком обучении

 

5. Подход (почти) к любой задаче машинного обучения

 

Автор: Абхишек Такур

Ссылка: Approaching (Almost) Any Machine Learning Problem

  

Готов продвинуть свои навыки машинного обучения на новый уровень? Эта книга – твой билет в захватывающий мир прикладного машинного обучения. Она не затягивает сложными алгоритмами, а фокусируется на “как” и “что” решать реальные проблемы с помощью машинного обучения и глубокого обучения. Если ты хочешь преодолеть разрыв между теорией и практикой, эта книга станет твоим путеводителем!

Освещаемые темы:

• Надзорное и безнадзорное обучение
• Техники кросс-валидации
• Метрики оценки
• Структурирование проектов машинного обучения
• Работа с категориальными переменными
• Инженерия признаков
• Выбор признаков
• Оптимизация гиперпараметров
• Классификация изображений и текста, ансамблирование и воспроизводимый код

 

Вывод

 

В этой статье мы представляем вам пять лучших книг для изучения машинного обучения в 2023 году. Эти книги охватывают широкий спектр тем, от основ машинного обучения до более сложных тем, таких как глубокое обучение. Все они написаны хорошо и легко читаются, даже для начинающих.

Если вы серьезно настроены на изучение машинного обучения, я рекомендую прочитать все пять этих книг. Однако, если у вас есть возможность прочитать только одну или две, я рекомендую “Машинное обучение для абсолютных начинающих” Оливера Теобальда и “Практическое машинное обучение с использованием Scikit-Learn, Keras и TensorFlow” Аурелиана Жерона.

Нам интересно узнать, какие книги сыграли важную роль в вашем пути изучения машинного обучения. Не стесняйтесь делиться своими рекомендациями в разделе комментариев.

[Kanwal Mehreen](https://www.linkedin.com/in/kanwal-mehreen1/) – стремящийся карьере программист с большим интересом к науке о данных и применению ИИ в медицине. Канвал был выбран Google Generation Scholar 2022 для региона APAC. Канвал любит делиться техническими знаниями, пишет статьи по актуальным темам и усердно работает над увеличением представительства женщин в технической индустрии.