Connect with us

Медиа

Машинное обучение: что читать, смотреть и где учиться

На русском сайте StackOverflow в вопросе о хороших книгах по математике и машинному обучению сформировали список материалов, с которых стоит начать изучение этой предметной области.

AppTractor

Опубликовано

/

     
     

На русском сайте StackOverflow сформировали список материалов, с которых стоит начать изучать машинное обучение и эту предметную область!

Для тех, кто хочет на русском языке почитать про Машинное обучение:

  1. Петер Флах Машинное обучениеисточникОглавление и отрывки из глав
  2. Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке RисточникОглавление и отрывки из глав
  3. Себастьян Рашка Python и машинное обучениеисточник
  4. Хенрик Бринк, Джозеф Ричардс Машинное обучениеисточник
  5. Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данныхисточник
  6. К. В. Воронцов. Математические методы обучения по прецедентам (теория обучения машин)источник
  7. Мерков А.Б. Введение в методы статистического обученияисточник
  8. Аркадий Гелиг, Алексей Матвеев Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособиеисточник
  9. Мерков А.Б. Построение и обучение вероятностных моделейисточник
  10. Ричарт В., Коэльо П.Л. Построение систем машинного обучения на языке PythonисточникОглавление и отрывки из глав (тут больше практика по машинному обучению)
  11. Вьюгин В. Математические основы машинного обучения и прогнозированияисточник
  12. Червоненкис А.Я. Теория обучения машин
  13. Ричард С. Саттон, Эндрю Г. Барто Обучение с подкреплениемисточник
  14. Андреас Мюллер, Сара Гвидо Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с даннымиисточник
  15. Дэви Силен, Арно Мейсман Основы Data Science и Big Data. Python и наука о данныхисточник
  16. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекцийисточник
  17. Донской В. И. Алгоритмические модели обучения классификации:обоснование, сравнение, выбористочник
  18. Местецкий Л.М. Математические методы распознавания образов Курс лекцийисточник
  19. Кристофер Д. Маннинг, Прабхакар Рагхаван Введение в информационный поискисточник
  20. Юре Лесковец, Ананд Раджараман Анализ больших наборов данныхисточникоглавление и отрывки из глав
  21. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучениеисточникоглавление и отрывки из глав
  22. Шлезингер М.И. Десять лекций по статистическому и структурному распознаванию образовисточник

Для тех, кто хочет на русском языке посмотреть:

Прежде чем заниматься конкретно машинным обучением, рекомендую всё же ознакомится с книгами

  • Стюарт Рассел, Питер Норвиг Искусственный интеллект. Современный подходисточник
  • Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы решения сложных проблемисточник

Таким образом у вас сформируется более четкое понимание предметной области машинного обучения и сильно расширит ваш кругозор. Нейронные сети занимают важную позицию в машинном обучении, поэтому стоит ознакомиться с книгой

  • Саймон Хайкин Нейронные сети. Полный курсисточник

Так же вы должны уметь производить предварительный анализ данных, что бы понять, какие методы машинного обучения можно применить к вашему набору данных или как его лучше подготовить. В этом вам помогут следующие книги:

  • Борис Миркин Введение в анализ данных. Учебник и практикумисточник
  • Марина Архипова, Татьяна Дуброва Анализ данных. Учебникисточник
  • Загоруйко Н.Г. Прикладные методы анализа данных и знанийисточник
  • Мостеллер Ф., Тьюки Дж. Анализ данных и регрессияисточник
  • Рубан А.И. Методы анализа данных
  • Уэс Маккинни Python и анализ данныхисточник (практика)
  • Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке Rисточник (практика)

Вы должны знать хорошо математику (в особенности линейную алгебру), статистику, теорию вероятностей, дискретную математику. Я, например, неважно знаю математику и мне очень тяжело читать стандартные учебники, рассчитанные на то, что преподаватель сможет разжевать скупое описание формулы, поэтому для легкого порога вхождения рекомендую следующие книги (от основ и выше):

  • Стивен Х. Строгац Удовольствие от x. Увлекательная экскурсия в мир математики от одного из лучших преподавателей в миреисточник
  • Юрий Шиханович Введение в современную математику. Начальные понятияисточник
  • Рональд Л. Грэхем, Дональд Эрвин Кнут Конкретная математика. Математические основы информатикиисточник
  • Юрий Пухначев Математика без формулкнига1книга2
  • Риxард Курант, Герберт Роббинс Что такое математика? источник
  • Тарасов Л.В. Азбука математического анализа. Беседы об основных понятиях. Учебное пособиеисточник

Машинное обучение на любителя:

  • Занимательная статистика. Манга: источник
  • Занимательная статистика. Регрессионный анализ. Манга: источник
  • Занимательная математика. Производные и интегралы. Манга: источник
  • Занимательная статистика. Факторный анализ. Манга: источник

Потом уже можно браться за стандартный учебник математического анализа

  • Фихтенгольц Г.М. Основы математического анализаисточник (это один из немногих классических учебников, где например хорошо разжевано понятие производной, поверьте, я многих сравнивал).

Статистика, теория вероятностей:

  • Гнеденко Б.В., Хинчин А.Я. Элементарное введение в теорию вероятностейисточник
  • Сара Бослаф Статистика для всехисточник
  • Чарльз Уилан Голая статистика. Самая интересная книга о самой скучной наукеисточник

Человек-машина: лучшие курсы по искусственному интеллекту и машинному обучению

Если вы нашли опечатку - выделите ее и нажмите Ctrl + Enter! Для связи с нами вы можете использовать info@apptractor.ru.
Advertisement

Популярное

X
X

Спасибо!

Теперь редакторы в курсе.