Site icon AppTractor

Машинное обучение: что читать, смотреть и где учиться

AppTractor

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

Для тех, кто хочет на русском языке посмотреть:

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

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

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:

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):

Машинное обучение на любителя:

Потом уже можно браться за стандартный учебник математического анализа

  • Фихтенгольц Г.М. Основы математического анализа: источник (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 вероятностей: источник
  • Сара Бослаф Статистика для всех: источник
  • Чарльз Уилан Голая статистика. Самая интересная книга о самой скучной науке: источник

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