¿Cuáles son algunos buenos libros sobre los aspectos prácticos del aprendizaje automático?

Answer 1

Creo que hay una brecha aquí: de hecho, hay libros pesados ​​en teoría y libros pesados ​​en la práctica, con poco en el medio.

Aquí hay algunos libros introductorios con un poco de teoría.

La programación de la inteligencia colectiva es excelente en el lado de las aplicaciones y en la intuición, y tiene poca teoría.

Minería de datos: las herramientas y técnicas prácticas de aprendizaje automático tienen un poco más de teoría, y es una de las mejores explicaciones que encontré para los conceptos de aprendizaje automático.

La extracción de conjuntos de datos masivos proviene de un ángulo diferente y complementa los otros libros de la OMI.

Quizás en MOOC como Andrew Ng’s Coursera ML pueda encontrar lo que está buscando.

Alternativamente, Machine Learning Mastery es un buen blog sobre aprendizaje automático, y veo que Jason Brownlee, su autor, también escribió tres libros sobre el tema.

Answer 2

Para mí, “Data Science from Scratch with Python” de Joel Grus fue mi puerta de entrada al campo. Él le da suficiente matemática detrás de los algoritmos para que usted los entienda (además de una excelente lista de “para obtener más información, consulte estas fuentes” al final de cada tema), pero también escribe todos los algoritmos desde cero en el libro en Python claro y conciso. Es fácil de leer y decir: “está bien, esto es lo que quiere hacer … lo consiguió”, y luego mira el código y ve, “así es como lo hace”. Recomiendo encarecidamente.

Answer 3

Bueno, si tiene problemas con los Elementos del aprendizaje estadístico , puede probar la Introducción al aprendizaje estadístico por (algunos de) los mismos autores, que está disponible gratuitamente en el mismo sitio que ESL.

Ahora ESL e ISL serán difíciles a menos que los leas de la manera correcta. Están escritos en un estilo relativamente informal por la dificultad del material que cubren, no exactamente como libros de texto, pero con los supuestos de que debería leerse de esa manera, creo.

Comencé mi incursión en el aprendizaje automático de estadística después de 3 años de matemática pura y aplicada, y 1.5 años de estadística matemática. Comencé con ESL (no te sientas mal por esto, recuerda mis antecedentes). Pero lo leí como si fuera un texto matemático, o lo suficientemente cerca. Eso significa que lo leí con dos conjuntos de notas. Uno para conceptos y otro para “pruebas”. La parte de las pruebas fue para todas las veces que los autores dijeron “y obviamente” o “se puede verificar” o simplemente declararon un resultado que necesitaba ser entendido pero no explicado. También tenía mi computadora a mi lado para poder ejecutar cualquier código.

Esto puede parecer un poco lento, pero realmente me ayudó a aprender el material y aprender a pensar críticamente al respecto.

Mi sugerencia es que intentes esto para ISL o ESL, tú eliges. Si ISL es demasiado fácil, cambie, y lo mismo ocurre con ESL por dificultad.

Solo he echado un vistazo al ISL, así que no sé si realmente necesitas hacer lo que te sugiero para eso, pero lo recomiendo.

Una nota sobre otros libros. Principalmente leo periódicos en estos días. Realmente no me mantengo al día con los libros sobre ML, a menos que sean realmente esotéricos. Pero tenga en cuenta que la mayoría de ESL (y presumiblemente ISL) se escriben teniendo en cuenta la perspectiva frecuentista. Debería ver si también hay buenos libros sobre la formulación bayesiana: no puedo pensar en ninguno bueno que no sea puramente estadístico en este momento, por lo que es probable que tenga que buscar.

Buena suerte. Si tiene alguna pregunta, no dude en comentar esta respuesta y la actualizaré.

Answer 4

Estoy de acuerdo en que hay una brecha entre la teoría y la práctica.

Tuve la suerte de caer en el aprendizaje automático “hacia atrás”. Descubrí a través del trabajo duro y la prueba y un error cómo ML falla a través de sus deficiencias.

Lo que aprendí, nunca lo he visto en ningún libro, clase o blog en línea.