Como la mayoría de los libros de Machine Learning discuten muy poca ingeniería de características, es mejor que leas libros que sean específicos del dominio y estén más o menos relacionados con el problema que estás tratando de resolver.
Si está buscando una forma interesante de abordar un problema de Aprendizaje automático que no puede clasificarse fácilmente en Regresión o Clasificación, le recomiendo leer el libro Modern AI de Norvig, que es un clásico en este ámbito.
Si está buscando aplicaciones relacionadas con el habla o la PNL, debe leer el procesamiento de lenguaje y habla de Jurafsky y Martin.
- Puede aprendizaje no supervisado puede utilizar para determinar si alguien de la escritura / arte es más creativo que la escritura / arte de la mayoría de la gente?
- ¿Amazon Web es una buena alternativa para que yo use redes neuronales si mi computadora no tiene suficiente energía?
- ¿Cuáles son las historias de éxito del aprendizaje profundo para el procesamiento del lenguaje natural y los marcos y bibliotecas utilizados o creados por ellos?
- ¿Cómo debe prepararse para un programa de maestría / doctorado centrado en la inteligencia artificial?
- ¿Cómo se usa la pérdida de peso para la regularización en las redes neuronales?
Si está buscando usar un enfoque de aprendizaje profundo para un problema relacionado con el habla o la PNL, debe consultar los métodos de la Red Neural de Yoav Goldberg para Lenguaje.
Para el discurso, también se referiría a un libro que discute la ingeniería de señales de audio en general, no estoy muy versado para recomendar un libro en este ámbito.
Para la visión, recomendaría leer Practical OpenCV por Adrian Rosenbrock (también siga su blog / sitio pyimagesearch.com).
Si quieres profundizar en la visión por computadora, está el libro de visión por computadora de Richard Szeliski. Este libro está disponible gratuitamente en línea.
También hay otros libros en dominios como Time Series Analysis y Econometrics que debe buscar si tiene la tarea de modelar un problema del dominio financiero.
TLDR; Para resolver problemas, el conocimiento del aprendizaje automático en sí es a menudo inadecuado. Es mejor leer publicaciones o libros sobre el dominio de interés para obtener ideas sobre cómo se resolvieron estos problemas antes de usar conjuntos de características e ideas algorítmicas e inyectar ideas del aprendizaje automático en ellas.
También buscar en Google la mayoría de estos nombres debería darle enlaces para comprar los libros.