¿Cuáles son los mejores libros de Machine Learning?

Cuando hice mi disertación sobre Técnicas estadísticas para la clasificación de imágenes, fue difícil elegir un libro de referencia principal de la gran cantidad de publicaciones que tenemos hoy sobre ML.

Entonces, después de un año completamente invertido en el tema, te recomendaré tres libros / autores en el campo que leí casi por completo, para que elijas el que más te convenga. Van de lo más “práctico” a lo más matemáticamente riguroso.

• Introducción al aprendizaje estadístico (ISL) (con implementaciones prácticas en lenguaje R en cada capítulo) / Elementos de aprendizaje estadístico. (Hastie, T. et al.)

Ambos libros son para mí la biblia del aprendizaje estadístico moderno, siendo este último más difícil y riguroso en términos de matemáticas. Ambos son gratuitos, básicamente de los mismos autores, y una excelente manera de comenzar en ML.

• Una teoría probabilística del reconocimiento de patrones. (por L. Devroye et al.)

Un libro que uso mucho últimamente para encontrar pruebas matemáticas cuando es necesario. Creo que es una lectura obligada sobre el tema, aunque necesitará una vasta formación matemática para obtener algo de él. Realmente recomiendo

• La naturaleza de la teoría estadística del aprendizaje + teoría estadística del aprendizaje. (por Vapnik, V.)

Si y solo si te encantan las matemáticas, y tienes bastante tiempo libre, ve por este combo, en este orden. No sé si esta es una buena lectura para comenzar, o si es mejor después de ISL, pero si quieres profundizar lo más posible en SLT, es otra lectura obligada.

Nota: No obstante, todavía soy un novato en el campo, así que estas son solo algunas recomendaciones que me parecen interesantes hasta ahora. ¡Espero que sea útil para ti, como lo fueron para mí!

Si está interesado en el campo del aprendizaje automático? ¡Entonces este curso perfecto es para ti!

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

En este curso aprenderá a crear algoritmos de aprendizaje automático en Python y R a partir de dos expertos en ciencia de datos.

Este curso ha sido diseñado por dos científicos de datos profesionales para que puedan compartir sus conocimientos y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.

Te llevarán paso a paso al mundo del aprendizaje automático. Con cada tutorial, desarrollará nuevas habilidades y mejorará su comprensión de este desafiante pero lucrativo subcampo de la ciencia de datos.

Este curso es divertido y emocionante, pero al mismo tiempo se sumergen profundamente en Machine Learning. Está estructurado de la siguiente manera:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.

¿Quién es el público objetivo?

• Cualquier persona interesada en Machine Learning
• Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Machine Learning
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística, pero que quieran obtener más información al respecto y explorar todos los diferentes campos del aprendizaje automático.
• Cualquier persona que no se sienta cómoda con la codificación pero que esté interesada en el aprendizaje automático y quiera aplicarla fácilmente en los conjuntos de datos.
• Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science.
• Cualquier analista de datos que quiera subir de nivel en Machine Learning.
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Data Scientist.
• Cualquier persona que desee crear valor agregado a su negocio mediante el uso de potentes herramientas de Machine Learning

¿Que aprenderás?

• Master Machine Learning en Python & R
• Tener una gran intuición de muchos modelos de Machine Learning
• Hacer predicciones precisas
• Haz un análisis poderoso
• Hacer modelos robustos de aprendizaje automático
• Crea un fuerte valor agregado para tu negocio
• Usar Machine Learning para fines personales
• Manejar temas específicos como el aprendizaje por refuerzo, PNL y aprendizaje profundo
• Manejar técnicas avanzadas como la reducción de dimensionalidad
• Sepa qué modelo de Machine Learning elegir para cada tipo de problema
• Construya un ejército de poderosos modelos de Machine Learning y sepa cómo combinarlos para resolver cualquier problema.

Requisitos

• Solo un nivel de matemáticas de secundaria

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Algunas sugerencias de libros.

Mi siguiente paso sugerido es obtener un libro de ML decente (mi lectura más abajo), leer las principales secciones de introducción, y después de eso rebotar a cualquier parte que incorpore un algoritmo, usted está interesado. Cuando haya descubierto ese algo, salte a él, vea cada uno de los puntos de interés y, en particular, impleméntelo. En el paso anterior del curso en línea, a partir de ahora habría actualizado algunos algoritmos en Octave. Sea como fuere, aquí estoy buscando ejecutar un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con uno simple, por ejemplo, Regresión logística regularizada L2, o k-means, pero también debe conducirse a actualizar todos los más intrigantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de obtener resultados equivalentes.

• El razonamiento bayesiano y el aprendizaje automático de David Barber
• El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones y aprendizaje automático de Bishop
• Aprendizaje automático de Mitchell

También hay numerosos libros excelentes que llaman la atención sobre un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplo antes de ser distribuido. Sea como fuere, necesita un par de esos libros para reunir una comprensión equilibrada y hasta cierto punto del campo.

10 libros electrónicos gratuitos que debes leer sobre conceptos básicos de aprendizaje automático.

También puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y salte a él.

Algunas sugerencias de libros.

Mi siguiente paso sugerido es obtener un libro de ML decente (mi lectura más abajo), leer las principales secciones de introducción, y después de eso rebotar a cualquier parte que incorpore un algoritmo, usted está interesado. Cuando haya descubierto ese algo, salte a él, vea cada uno de los puntos de interés y, en particular, impleméntelo. En el paso anterior del curso en línea, a partir de ahora habría actualizado algunos algoritmos en Octave. Sea como fuere, aquí estoy buscando ejecutar un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con uno simple, por ejemplo, Regresión logística regularizada L2, o k-means, pero también debe conducirse a actualizar todos los más intrigantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de obtener resultados equivalentes.

• El razonamiento bayesiano y el aprendizaje automático de David Barber
• El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones y aprendizaje automático de Bishop
• Aprendizaje automático de Mitchell

También hay numerosos libros excelentes que llaman la atención sobre un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplo antes de ser distribuido. Sea como fuere, necesita un par de esos libros para reunir una comprensión equilibrada y hasta cierto punto del campo.

10 libros electrónicos gratuitos que debes leer sobre conceptos básicos de aprendizaje automático.

También puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y salte a él.

Tres para agregar a la lista:

Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman

Reconocimiento de patrones y aprendizaje automático de Bishop

El aprendizaje automático de Kevin Murphy: una perspectiva probabilística

No existe “el mejor libro de aprendizaje automático”. Las personas tienen sus propias preferencias. Y si realmente quieres aprender sobre este tema, debes leer el libro y practicar.

Mi preferencia personal es este libro Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes. Puede ser que tenga un fondo de Python, creo que el ejemplo allí es muy fácil de seguir. Pero independientemente de la elección del idioma, explican muy bien el concepto.

Puedo recomendar el modelo predictivo aplicado de Max Kuhn y Kjell Johnson. Se dirige a los fundamentos de los algoritmos de una manera muy comprensible con la formalización que requiere cada tema. También incluye recursos útiles para Data Science, así como recetas para el paquete de caret en R.

Introducción al aprendizaje automático con Python por Sahra Guido y Andreas Müller. Presenta un enfoque introductorio muy práctico usando las bibliotecas principales en Python para ML. Fácil de seguir y obtener un enfoque práctico sobre el asunto.

Algunos buenos libros recomendados sobre aprendizaje automático

1. Gareth James, Daniela Witten, Trevor Hastie y Robert Tibshirani Introducción al aprendizaje estadístico ( http://www-bcf.usc.edu/~gareth/ISL/ )
2. Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
3. Reconocimiento de patrones y aprendizaje automático de Bishop
4. El razonamiento bayesiano y el aprendizaje automático de David Barber
5. El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
6. Fundamentos del aprendizaje automático, Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar
7. Aprendiendo de los datos, Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin

Fuente: Recursos gratuitos para aprender el aprendizaje automático para el comercio

Para el aprendizaje de refuerzo, el libro del profesor Sutton sobre RL (Sutton and Barto 2017 2nd Edition) es el mejor recurso para acompañar. Cubre todo, desde lo básico hasta el progreso más reciente.

También recomiendo redes neuronales para el reconocimiento de patrones por parte de Bishop para aprender sobre redes neuronales.

No sé si hay algún libro de aprendizaje automático. Para aprender el aprendizaje automático, las personas utilizan recursos en línea. Y para personas de nivel superior utiliza trabajos de investigación. Puedes pasar por ellos.

Pero hay un libro de Deep Learning [1].

Y para la Inteligencia Artificial [2].

Estos son el mejor libro de su respectivo campo.

Notas al pie

[1] https://www.amazon.in/Deep-Learn …

[2] Paradigmas de programación de inteligencia artificial: estudios de casos en común Lisp: Peter Norvig: 9781558601918: Amazon.com: Libros

La mejor manera de aprender Machine Learning es a través de la práctica y la experiencia . Como lo describe Tom Mitchell:

“Se dice que un programa de computadora aprende de la experiencia E con respecto a alguna clase de tareas T y la medida de desempeño P , si su desempeño en tareas en T , medido por P , mejora con la experiencia E “.

Uno puede comenzar con el libro sugerido a continuación:

1. Introducción al aprendizaje estadístico por Robert Tibshirani y Trevor Hastie
2. Machine Learning por Andrew NG
3. Manual de Python Data Science por Jake VanderPlas

Elementos de aprendizaje estadístico es una buena descripción matemáticamente rigurosa. Sería escéptico sobre los libros que pasan por alto las matemáticas, ya que prepara al alumno para el fracaso en la práctica / carrera cuando esto se vuelve crítico para la aplicación adecuada a un conjunto de datos dado.

Si desea comprender las matemáticas detrás del aprendizaje profundo (una parte del aprendizaje automático), realice el aprendizaje profundo

El libro ofrece las mejores ideas sobre diferentes aspectos del aprendizaje profundo

Machine Learning por Tom M Mitchell

Después de leer este libro, puede sumergirse en el aprendizaje automático. Este es un gran libro introductorio sobre aprendizaje automático. Proporciona una buena descripción de los teoremas de ml con resúmenes de pseudocódigo de sus algoritmos. Además de los estudios de casos, Tom ha utilizado ejemplos básicos para ayudarlo a comprender estos algoritmos fácilmente.

El aprendizaje profundo es un gran libro sobre el tema. Aquí hay más libros ai que creo que son realmente buenos.

–

Estoy construyendo un mapa mental de conocimiento colaborativo que proporciona los mejores recursos que uno puede obtener para aprender cualquier cosa.

Ya he escrito sobre libros gratuitos que puede usar para aprender el aprendizaje automático y obtener más información sobre la tecnología y los algoritmos del aprendizaje automático. Es posible que desee verlo aquí: la respuesta de Arpit Kharbanda a ¿Qué es el aprendizaje automático en términos simples?

| Arpit Kharbanda |

Sugeriría leer Machine Learning por Tom M. Mitchell. Le dará una muy buena introducción del aprendizaje automático como asignatura. No necesita ningún requisito previo para leer este libro. Aquí hay un enlace al PDF gratuito.

Si está tan obsesionado por ir con un libro, lea las Notas de aprendizaje automático de Andrew Ng en Coursera. Aunque la mejor manera de aprender Machine Learning es pasar por completo el Curso de Andrew Ng con Ejercicios y todo.

Para el aprendizaje profundo también agregaría: Redes neuronales y aprendizaje profundo

Repasa las partes de matemáticas bastante a fondo y no asume conocimiento previo.