Membuat pilihan buku Pembelajaran Mesin untuk mereka yang ingin mengetahui apa dan bagaimana.
Tandai dan bagikan dengan kolega!
Buku Belajar Mesin dalam bahasa Rusia
1.
"Dasar matematika dari pembelajaran mesin dan peramalan" Vladimir Vyugin.
Bagaimana denganPertama, pelajari dasar-dasar teori statistik pembelajaran mesin, permainan prediksi, dan perkiraan menggunakan strategi pakar. Fondasi mereka dijelaskan dengan sempurna oleh penulis buku, dokter ilmu fisika dan matematika Vladimir Vyugin. Manual ini dirancang untuk siswa dan mahasiswa pascasarjana dan dalam bentuk yang dapat diakses menetapkan dasar matematika yang diperlukan untuk pekerjaan lebih lanjut dengan pembelajaran mesin.
2.
"Algoritma Tertinggi" Pedro Domingos.
Bagaimana denganBuku ini, berkat orang-orang yang bahkan tidak memahami apa pun dalam matematika dan statistik, akan memahami apa itu algoritma pembelajaran mesin dan apa aplikasi mereka dalam kehidupan. Profesor Pedro Domingos berbicara tentang lima sekolah Pembelajaran Mesin utama dan bagaimana mereka menggunakan ide-ide dari berbagai bidang pengetahuan ilmiah - neurobiologi, fisika, statistik, biologi - untuk membantu orang memecahkan masalah yang rumit dan menyederhanakan rutinitas menggunakan algoritma.
3.
"Pembelajaran Mesin" oleh Henrik Brink, Joseph Richards, Mark Feverolf.
Bagaimana denganBuku edisi 2017 ini tersedia di Machine Learning - bagi mereka yang belum mendengar apa pun tentang teknologi ini. Tidak ada statistik, matematika, atau penjelasan mendalam dan terperinci tentang cara menggunakan satu atau lainnya algoritma. Para penulis dengan mudah menjelaskan apa itu pembelajaran mesin dan bagaimana menerapkannya dalam kehidupan sehari-hari. Contoh-contoh dalam buku ini diberikan dalam bahasa pemrograman Python, yang juga digunakan di area ini.
4.
"Pembelajaran mesin skala besar dengan Python." Bastian Chardin, Luca Massaron, Alberto Bosketti.
Bagaimana denganBuku bagus lainnya untuk pemula dalam perjalanan mereka dalam pemrograman dan analisis data besar. Penulis mengklaim bahwa berkat itu, pembaca akan belajar bagaimana membangun model pembelajaran mesin secara mandiri dan menggunakan aplikasi peramalan skala besar. Buku ini menceritakan tentang algoritma apa yang termasuk dalam keluarga yang dapat diskalakan, apa itu, dan bagaimana memproses file besar dengan bantuan mereka. Anda juga akan mempelajari apa itu paradigma komputasi MapReduce dan bagaimana bekerja dengan algoritma mesin pada platform Hadoop dan Spark dengan Python.
5.
"Python and machine learning" oleh Sebastian Raska.
Bagaimana denganBuku untuk pemula yang belajar Python dan pembelajaran mesin. Publikasi ini berisi manual terperinci, bahkan pada nuansa seperti menginstal aplikasi khusus Jupyter Notebook.
Buku ini membahas dasar-dasar Machine Learning, kemampuan perpustakaan Python paling kuat untuk analisis data, dan menjawab pertanyaan mengapa bahasa ini adalah salah satu pemimpin dalam Ilmu Data.
6.
"Metode pemrosesan dan pengenalan gambar wajah dalam masalah biometrik" Georgy Kukharev, Ekaterina Kamenskaya, Yuri Matveev, Nadezhda Shchegoleva
Bagaimana denganTerlepas dari kenyataan bahwa buku ini ditujukan untuk pemula dan memperkenalkan prinsip-prinsip dasar kecerdasan buatan - khususnya, teknologi pengenalan wajah - latar belakang yang lengkap masih diperlukan untuk sepenuhnya memahami terminologi dan membenamkan diri Anda dengan nyaman dalam membaca. Ini membahas masalah biometrik seperti metode menganalisis gambar wajah, memperoleh data sumber dari adegan nyata, struktur sistem pengenalan, dan lain-lain. Contoh dalam monograf diberikan dalam bahasa pembelajaran mesin MATLAB. Jika Anda tidak memiliki pengetahuan latar belakang teknis, tetapi masih ingin membaca buku - istilah yang tidak dikenal bisa berupa google, ini cukup untuk tidak mengalami ketidaknyamanan saat membaca.
7.
“Pembelajaran mesin. Sains dan seni membangun algoritma yang mengekstraksi pengetahuan dari data ” Peter Flach.
Bagaimana denganIlustrasi warna ini juga ditujukan untuk pemula dan membahas masalah pembelajaran mesin yang luas. Ketika pembaca terjun ke topik, penulis mengungkapkan lebih banyak dan lebih detail, tetapi buku ini tidak terlalu sulit untuk dipahami: semua terminologi baru dijelaskan, dan model statistik dan logis dijelaskan dalam bahasa yang dapat dimengerti oleh pembaca yang tidak siap.
8. “Belajar dengan penguatan,” Richard S. Sutton, Andrew G. Barto.
Bagaimana denganPembelajaran yang diperkuat adalah salah satu bidang kecerdasan buatan. Secara singkat dan dalam bentuk yang paling umum esensinya dapat dinyatakan sebagai berikut: mesin belajar untuk bertindak di lingkungan, memperoleh pengalaman intuitif, dan kemudian mengamati hasilnya. Buku ini secara komprehensif menguraikan konsep belajar dengan penguatan - dari ide-ide mendasar hingga pencapaian modern di bidang ini.
Buku Belajar Mesin dalam Bahasa Inggris
Semua buku dirancang untuk pemula tanpa pengalaman dengan teknologi kecerdasan buatan atau spesialis dengan latar belakang teknis kecil. Tujuan mayoritas adalah untuk memperkenalkan prinsip-prinsip dasar, konsep, ide, dan beberapa algoritma pembelajaran mesin.
9.
"Bayesian Reasoning and Machine Learning" oleh David Barber.
Bagaimana denganBuku David Barber ditulis untuk siswa dan lulusan dengan pengetahuan minimal tentang aljabar dan analisis matematika - yaitu, sangat bagus untuk memulai pembelajaran pembelajaran mesin. Seperti namanya, itu berpusat di sekitar inferensi statistik Bayesian. Buku ini memungkinkan Anda untuk mengembangkan keterampilan analitis dan menemukan cara baru untuk menyelesaikan masalah dalam bekerja dengan algoritma pembelajaran mesin. Setiap bab disertai dengan contoh, tugas praktis dan teoritis.
10.
"Pengantar Pembelajaran Mesin" Nils J. Nilsson
Bagaimana dengan
Buku ini bukan buku teks, kumpulan masalah praktis atau penelitian teoritis. Ini adalah semacam "jembatan" dari teori ke praktik pembelajaran mesin. Dengan bantuannya, pembaca dapat bersiap untuk studi lebih lanjut tentang Pembelajaran Mesin dan topik ilmu data.
11.
“Elemen Pembelajaran Statistik. Penambangan Data, Inferensi, dan Prediksi » Trevor Hastie, Robert Tibshirani, Jerome Friedman.
Bagaimana denganTutorial ini secara konseptual menggambarkan ide-ide ilmu data, yaitu tanpa rumus dan konsep matematika yang rumit. Ini berisi banyak contoh ilustrasi yang lebih jauh mengungkapkan esensi dari apa yang ditulis. Lingkup buku ini luas: dari pembelajaran terkontrol (perkiraan) hingga pembelajaran tanpa guru. Topik yang dibahas meliputi jaringan saraf, metode vektor dukungan, pohon klasifikasi, dan peningkatan. Para penulis buku ini mengajar profesor, pencipta buku teks dan alat penambangan data.
12.
Pembelajaran Mesin, Klasifikasi Saraf dan Statistik D. Michie, DJ Spiegelhalter, CC Taylor.
Bagaimana denganPublikasi ini menguraikan pendekatan modern utama untuk masalah klasifikasi: pembelajaran mesin, statistik dan jaringan saraf. Para penulis membandingkan efektivitas metode untuk berbagai indikator dan menyimpulkan bahwa masing-masing lebih cocok untuk memecahkan masalah komersial dan industri.
13.
"Buat Jaringan Saraf Anda Sendiri" Tariq Rashid.
Bagaimana denganKeuntungan buku ini adalah persyaratan rendah untuk latar belakang pengetahuan matematika pembaca. Bahkan dengan kursus sekolah di kepala Anda, Anda dapat membacanya, memahami, menguasai konsep dasar dan belajar bagaimana memprogram algoritma pengenalan gambar Anda sendiri dengan Python. Semua ide matematika pada inti perangkat jaringan saraf disajikan dengan saus dari sejumlah besar ilustrasi dan contoh, yang menyederhanakan persepsi.
14.
"Kecerdasan Buatan: Suatu Pendekatan Modern" Stuart Russell, Peter Norvig.
Bagaimana denganBuku teks untuk siswa tahun pertama. Ini sering digunakan sebagai pengantar Ilmu Data di banyak program pengajaran universitas. Jika Anda tertarik untuk merancang jaringan saraf khusus untuk menciptakan kecerdasan buatan, kami merekomendasikannya sebagai buku pertama tentang topik ini.
15.
"Belajar Dari Data" Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Bagaimana denganBuku ini diberi judul "Kursus singkat" dan secara singkat memperkenalkan pembaca pada dasar-dasar pembelajaran mesin. Jika Anda baru saja mulai mempelajari apa yang terjadi di dunia Ilmu Data, dan membaca beberapa artikel di Internet, maka ini sangat ideal untuk memahami subjek sedikit lebih dalam.