¿Cuáles son algunos libros que un principiante en aprendizaje automático debería leer?

Answer 1

Supongo que ya sabe acerca de varias clases de ML en línea y las ha revisado. Si no, por favor hazlo. Los instructores lo ayudan a avanzar sosteniendo su mano, estos cursos son tan buenos. (ML por Andrew Ng, ML Specialization, Learning From Data por Yaser Abu Mostafa, etc.)

Bien, ahora vamos a tu pregunta real. Hay varios libros de ML disponibles, pero algunos de ellos son muy básicos o muy esotéricos.
Trataré de responder en consecuencia.

1. Como eres un principiante, recoge una copia de “Aprendiendo de los datos de Yaser Abu Mostafa et al.” Es una versión de libro de su curso de Caltech y es una excelente introducción que cualquier aspirante a estudiante de ML debe tener en su arsenal.
Aumentará su hambre de aprendizaje automático y explicará incluso los conceptos más orientados a las matemáticas de una manera muy inteligible.

2. “Fundamentos del aprendizaje automático por Meheryar Mohri et al.” Una vez más, un libro asombroso le brinda una comprensión teórica completa de los algoritmos y conceptos de ML. Además, este es un texto que cubre muchos temas que a menudo se omiten de los textos estándar de ML.

Los dos libros que describí anteriormente proporcionan una comprensión muy teórica y generalizada de ML para un principiante para abrir su apetito por lecturas avanzadas.

3. “Reconocimiento de patrones y aprendizaje automático por Christopher Bishop”. Anunciado como la biblia del aprendizaje automático en los círculos académicos, este libro adopta un enfoque bayesiano y trata los rincones técnicos y las grietas de los algoritmos de aprendizaje automático. Asegúrese de tener una formación básica en Probabilidad, Cálculo y Álgebra Lineal antes de retomar este libro.

4. “Aprendizaje automático: una perspectiva probabilística de Kevin Murphy”. Una vez más, un libro muy completo que cubre todos los dominios de ML mientras los mira bajo una luz probabilística. Texto muy moderno, por lo que no se perderá los desarrollos recientes.

Creo que estos son suficientes para dar una visión general teórica. Obviamente, ML no es lo suficientemente bueno si no implementas los algoritmos por ti mismo y ves lo que están haciendo y cómo están funcionando. Teniendo esto en cuenta (y que estás familiarizado con Python), aquí hay algunas ideas increíbles orientadas al aspecto de implementación de ML:

5. “Python Machine Learning de Sebastian Raschka”. Una vez más, un libro increíble con la explicación de cada fragmento de código junto con la construcción matemática de los algoritmos.

6. “Construcción de sistemas de aprendizaje automático utilizando Python por Luis Pedro Coelho”. Este libro está destinado a construir aplicaciones completas en ML usando Python. Tome esto una vez que esté seguro de que conoce el lado técnico de ML.

Espero que esto haya sido útil.
Feliz aprendizaje. 🙂

Answer 2

Aprendizaje automático práctico de Sunila Gollapudi: aborde las complejidades del mundo real del aprendizaje automático moderno con técnicas innovadoras y de vanguardia Acerca de este libro * Ejemplos de trabajo totalmente codificados que utilizan una amplia gama de bibliotecas y herramientas de aprendizaje automático, incluyendo Python, R, Julia y Spark * Soluciones prácticas integrales que lo llevan al futuro del aprendizaje automático * Vaya un paso más allá e integre sus proyectos de aprendizaje automático con Hadoop Para quién es este libro Este libro ha sido creado para científicos de datos que desean ver el aprendizaje automático en acción y explore su aplicación en el mundo real. Con orientación sobre todo, desde los fundamentos del aprendizaje automático y el análisis predictivo hasta las últimas innovaciones establecidas para liderar la revolución de Big Data hacia el futuro, este es un recurso imperdible para cualquiera que se dedique a enfrentar los desafíos actuales de Big Data. Se recomienda tener conocimientos de programación (Python y R) y matemáticas si desea comenzar de inmediato. Lo que aprenderá * Implemente una amplia gama de algoritmos y técnicas para abordar datos complejos * Conozca algunos de los lenguajes más poderosos en ciencia de datos, incluidos R, Python y Julia * Aproveche las capacidades de Spark y Hadoop para administrar y procesar datos con éxito * Aplicar la técnica de aprendizaje automático adecuada para abordar problemas del mundo real * Conocer el aprendizaje profundo y descubrir cómo se utilizan las redes neuronales en la vanguardia del aprendizaje automático * Explore el futuro del aprendizaje automático y profundice en persistencia políglota, datos semánticos y más en detalle Encontrar el significado en conjuntos de datos cada vez más grandes y complejos es una demanda creciente del mundo moderno. El aprendizaje automático y el análisis predictivo se han convertido en los enfoques más importantes para descubrir minas de oro de datos.