Phenquestions
Der er ingen overraskelse, at så mange mennesker overvejer at komme ind i den fascinerende verden af computeralgoritmer, der forbedres automatisk gennem erfaring. Hvis du er blandt dem - eller hvis du bare vil se forbi hype og forstå, hvad maskinindlæring virkelig handler om - vores valg af de 20 bedste maskinlæringsbøger kan hjælpe dig med at nå dine mål.
Artificial Intelligence: A Modern Approach (4. udgave) af Peter Norvig og Stuart J. Russell
Ledig: på Amazon
Udgivet: 2020
Sidetælling: 1136
Det var ikke svært at beslutte, hvilken lærebog til maskinlæring at starte med, fordi kunstig intelligens: En moderne tilgang anbefales til studerende af universiteter over hele verden. Nu i sin 4th udgave, bogen gør et fantastisk stykke arbejde med at introducere området kunstig intelligens (maskinindlæring er en delmængde af AI) til begyndere, og den dækker også en bred vifte af relaterede forskningsemner, der giver nyttige referencer til yderligere undersøgelse. Ifølge dens forfattere skulle denne store lærebog tage cirka to semestre at dække, så forvent ikke, at den bliver en hurtig læsning.
Mønstergenkendelse og maskinindlæring af Christopher M. Biskop
Ledig: på Amazon
Udgivet: 2011
Sidetælling: 738
Du kan tænke på mønstergenkendelse og maskinindlæring af Christopher M. Biskop som en blid (i det mindste hvad angår maskinlæring lærebøger) introduktionskursus til teorien bag maskinlæring. Lærebogen indeholder over 400 øvelser, der klassificeres efter deres vanskeligheder, og meget mere ekstra materiale er tilgængeligt på dets websted. Bare forvent ikke at vide, hvordan man anvender den teori, som lærebogen lærer, når du når sin sidste side - der er andre bøger til det.
Deep Learning af Goodfellow et. al
Ledig: på Amazon
Udgivet: 2016
Sidetælling: 800
Hvis du beder Elon Musk om at anbefale dig en bog om maskinindlæring, er det den, han vil anbefale. Han siger engang, at Deep Learning er den komplette bog om dette emne. Bogen dækker alt fra den matematiske og konceptuelle baggrund til branchens førende teknikker til dyb læring og de nyeste forskningsperspektiver. Vi anbefaler, at du får den elektroniske version, fordi Deep Learning er berygtet for sin dårlige udskriftskvalitet.
Elements of Statistical Learning: Data Mining, Inference, and Prediction, Anden udgave af Hastie, Tibshirani og Friedman
Ledig: på Amazon
Udgivet: 2016
Sidetælling: 767
Lad ikke titlen på denne lærebog skræmme dig. Hvis du virkelig vil forstå maskinindlæring og anvende den til at løse vanskelige problemer, skal du vænne dig til at læse lærebøger, der ikke synes meget tilgængelige. Selvom lærebogen har en afgørende statistisk tilgang, behøver du ikke være statistiker for at læse den, fordi den fremhæver begreber snarere end matematik.
Praktisk maskinindlæring med Scikit-Learn, Keras og TensorFlow: koncepter, værktøjer og teknikker til opbygning af intelligente systemer (2nd Edition) af Aurélien Géron
Ledig: på Amazon
Udgivet: 2019
Sidetælling: 856
Scikit-Learn, Keras og TensorFlow er tre populære maskinlæringsbiblioteker, og denne lærebog fokuserer på, hvordan de kan bruges til at oprette maskinlæringsprogrammer, der løser faktiske problemer. Takket være disse bibliotekers nybegyndervenlige karakter kræves der minimal teoretisk baggrundsviden for at læse denne lærebog, hvilket gør den fantastisk for dem, der gerne vil få en intuitiv forståelse af maskinindlæring ved at opbygge noget nyttigt.
Forståelse af maskinindlæring: Fra teori til algoritmer af Shai Shalev-Shwartz og Shai Ben-David
Ledig: på Amazon
Udgivet: 2014
Sidetælling: 410
Mange lærebøger om maskinindlæring er vanskelige at komme igennem, fordi deres forfattere ikke er i stand til at sætte sig i skoene til nogen, der er nye på området, men ikke denne. Forståelse af maskinindlæring begynder med en klar introduktion til statistisk maskinindlæring. Derefter forbinder de teoretiske begreber med praktiske algoritmer uden at være for ordrige eller for vage. Uanset om du vil opdatere din viden eller gå på en livslang rejse i branchen, tøv ikke med at få fat i denne lærebog.
Machine Learning: A Probabilistic Perspective af Kevin P. Murphy
Ledig: på Amazon
Udgivet: 2012
Sidetælling: 1104
Som titlen på denne bog antyder, er denne introduktion til maskinindlæring afhængig af sandsynlighedsmodeller til at opdage mønstre i data og bruge dem til at forudsige fremtidige data. Bogen er skrevet i en behagelig, uformel stil og gør stor brug af illustrationer og praktiske eksempler. Modellerne, den beskriver, er implementeret ved hjælp af Probabilistic Modeling Toolkit, som er en MATLAB-softwarepakke, som du kan downloade fra internettet. Desværre understøttes værktøjssættet ikke længere, fordi den nye version af denne bog bruger Python i stedet.
Informationsteori, inferens og læringsalgoritmer af David J. C. MacKay
Ledig: på Amazon
Udgivet: 2003
Sidetælling: 640
Ja, denne lærebog blev udgivet for næsten 20 år siden, men det gør det ikke mindre relevant i dag. Når alt kommer til alt er maskinindlæring ikke så ung som den nylige hype omkring det måske antyder. Hvad gør informationsteori, inferens og læringsalgoritmer af David J. C. MacKay så tidløs er dens tværfaglige tilgang, der giver rigelig forbindelse mellem forskellige felter. I sig selv er det ikke særlig nyttigt, fordi det ikke har nok praktiske eksempler, men det fungerer godt som en indledende lærebog.
En introduktion til statistisk læring: med applikationer i R af Gareth M. James, Trevor Hastie, Daniela Witten og Robert Tibshirani
Ledig: på Amazon
Udgivet: 2013
Sidetælling: 440
Du kan tænke på en introduktion til statistisk læring som et mere tilgængeligt alternativ til elementerne i statistisk læring, som kræver avanceret viden om matematisk statistik. For at afslutte denne lærebog skal du have det helt fint med en bachelorgrad i matematik eller statistik. På sine 440 sider giver forfatterne et overblik over området for statistisk læring og præsenterer vigtige modellerings- og forudsigelsesteknikker komplet med deres applikationer.
Den hundrede sider maskinlæringsbog af Andriy Burkov
Ledig: på Amazon
Udgivet: 2019
Sidetælling: 160
Mens de fleste lærebøger, der er anført i denne artikel, er tættere på tusind sider, forklarer denne tynde bog, der begyndte som en udfordring på LinkedIn, meget på bare hundrede eller deromkring sider. En af grundene til, at The Hundred-siders maskinlæringsbog blev et øjeblikkeligt hit, er dens klare sprog, som er en velkommen afvigelse fra stive akademiske papirer. Vi anbefaler denne bog til softwareingeniører, der mener, at de kunne bruge tilgængelige maskinlæringsværktøjer, men som ikke ved, hvor de skal starte. Når det er sagt, kan bogen nydes af alle med interesse for maskinlæring, fordi den lægger vægt på begreber frem for kode.
Introduktion til maskinindlæring med Python: En guide til dataforskere af Andreas C. Müller og Sarah Guido
Ledig: på Amazon
Udgivet: 2016
Sidetælling: 400
Hvis du taler flydende i Python og gerne vil komme i gang med maskinindlæring ved at opbygge praktiske løsninger på reelle problemer, er dette den rigtige bog til dig. Nej, du lærer ikke for meget teori, men alle grundlæggende begreber er dækket godt, og der er mange andre bøger, der dækker resten. For at få mest muligt ud af Introduktion til maskinindlæring med Python, skal du i det mindste have kendskab til NumPy- og matplotlib-bibliotekerne.
Anvendt forudsigelig modellering af Max Kuhn og Kjell Johnson
Ledig: på Amazon
Udgivet: 1. udgave. 2013, Corr. 2. oplag 2018
Sidetælling: 613
Denne lærebog giver en introduktion til forudsigelige modeller, der bruger data og statistik til at forudsige resultater med datamodeller. Det begynder med databehandling og fortsætter med moderne regression og klassificeringsteknikker, hvor der altid lægges vægt på reelle dataproblemer. Du kan nemt implementere alle modeller, der er forklaret i bogen, takket være den medfølgende R-kode, som viser nøjagtigt, hvad du skal gøre for at ende med en fungerende løsning.
Deep Learning with Python af François Chollet
Ledig: på Amazon
Udgivet: 2017
Sidetælling: 384
Du er måske allerede bekendt med forfatteren af denne lærebog til maskinindlæring, fordi han er ansvarlig for et open source-neuralt netværksbibliotek kaldet Keras, uden tvivl det mest populære maskinlæringsbibliotek skrevet i Python. I betragtning af disse oplysninger og titlen på lærebogen bør det ikke overraske dig at høre, at det er det bedste Keras-crashkursus, der findes. Praktiske teknikker prioriteres over teori, men det betyder bare, at du kan løse sofistikerede maskinlæringsopgaver på få uger.
Machine Learning af Tom M. Mitchell
Ledig: på Amazon
Udgivet: 1997
Sidetælling: 414
Denne bog blev udgivet i 1997 og introducerer alle typer maskinindlæringsalgoritmer på et sprog, som alle CS-kandidater skal kunne forstå. Hvis du er den type person, der har brug for en bred forståelse af et bestemt emne, før du har det godt med at dykke dybt ned i det, vil du elske, hvordan oplysningerne i denne bog præsenteres. Bare forvent ikke Machine Learning af Tom M. Mitchell skal være en praktisk guide, for det er ikke, hvad denne bog skal være.
Building Machine Learning Powered Applications: At gå fra idé til produkt af Emmanuel Ameisen
Ledig: på Amazon
Udgivet: 2020
Sidetælling: 260
Det er én ting at forstå maskinlæringsmodeller, og det er noget helt andet at vide, hvordan man bringer dem til produktion. Denne relativt slanke bog af Emmanuel Ameisen forklarer netop det, når du går igennem hvert trin i processen, fra første idé til implementeret produkt. Building Machine Learning Powered Applications kan anbefales til spirende dataforskere og ML-ingeniører, der har mestret teorien, men som endnu ikke har anvendt den i branchen.
Reinforcement Learning: An Introduction (2. udgave) af Richard S. Sutton, Andrew G. Barto
Ledig: på Amazon
Udgivet: 2018
Sidetælling: 552
Forstærkningslæring er et område med maskinlæring, der beskæftiger sig med uddannelse af maskinlæringsmodeller til at tage handlinger i et komplekst, usikkert miljø for at maksimere den samlede belønning, der modtages. Hvis dette lyder interessant for dig, så tøv ikke med at købe denne bog, fordi den i vid udstrækning anses for at være emnets bibel. Den anden udgave indeholder mange vigtige struktur- og indholdsændringer, så få det, hvis det er muligt.
At lære af data af Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Ledig: på Amazon
Udgivet: 2012
Sidetælling: 213
Learning From Data er en kort, men relativt komplet introduktion til maskinlæring og dens praktiske anvendelser inden for økonomi, handel, videnskab og teknik. Bogen er baseret på mere end et årti med undervisningsmateriale, som forfatterne distillerede til et udvalg af kerneemner, som alle interesserede i emnet skal forstå. Det er fantastisk til begyndere, der ikke har meget tid til at studere teorien om maskinindlæring, især hvis de læses sammen med Yaser's forelæsningsserie på YouTube.
Neurale netværk og dyb læring: En lærebog af Charu C. Aggarwal
Ledig: på Amazon
Udgivet: 2018
Sidetælling: 497
Neurale netværk er en måde at gøre maskinlæring på, og denne lærebog kan hjælpe dig med at forstå teorien bag dem. Ligesom maskinindlæring generelt er denne bog matematisk intens, så forvent ikke at komme for langt, hvis din matematik er rusten. Når det er sagt, gør forfatteren et godt stykke arbejde med at forklare matematikken bag alle eksempler og give læseren gennem forskellige indviklede scenarier.
Maskinindlæring for absolutte begyndere: En almindelig engelsk introduktion (2nd Edition) af Oliver Theobald
Ledig: på Amazon
Udgivet: 2017
Sidetælling: 157
Hvis du er interesseret i maskinlæring, men ikke nødvendigvis har det godt med at læse lange lærebøger om emnet, foretrækker du måske denne nybegyndervenlige bog, der giver en praktisk introduktion til maskinsprog på højt niveau med almindeligt engelsk. I slutningen af denne bog vil du vide, hvordan du kan forudsige husværdier ved hjælp af din første maskinlæringsmodel oprettet i Python.
Generativ dyb læring: Undervisningsmaskiner til at male, skrive, komponere og spille af David Foster
Ledig: på Amazon
Udgivet: 2019
Sidetælling: 330
Meget er blevet skrevet og sagt om generative adversarial netværk (GAN'er), et af de hotteste emner inden for maskinlæring i dag. Hvis du vil forstå, hvordan de og andre generative deep learning-modeller fungerer under emhætten, er denne bog af David Foster et godt udgangspunkt, så længe du har erfaring med kodning i Python.
