Sugeriría primero libros gratuitos que DEBE ver aquí.
¿Es seguro decir que está buscando algunos de los mejores libros para familiarizarse con los elementos esenciales de la IA y el aprendizaje automático? ¡Aquí está mi lista de los 20 mejores libros de inteligencia artificial y aprendizaje automático para comenzar! El aprendizaje automático es la investigación de sistemas informáticos que se basan en datos y experiencia.
Antes de comenzar a explorar libros, recomendaría ver una publicación anterior Lista de 10 libros gratuitos que se deben leer para el aprendizaje automático
- ¿La 'inteligencia agresiva' es realmente inteligencia?
- ¿La creación de IA es una perversión de la vida o podría considerarse igual a la creación profesional?
- ¿Qué pasará con las muchas personas que van a perder sus trabajos después de la fuerte automatización de la IA?
- ¿La perfección de la inteligencia artificial detendrá la evolución humana en su camino?
- Si quisiera contribuir al desarrollo de la inteligencia artificial general, ¿en qué campo de investigación debería estudiar (PNL, representación del conocimiento, etc.)?
Cualquier región en la que necesite comprender datos es un cliente potencial de aprendizaje automático. Un prólogo a la programación de Prolog para la Inteligencia Artificial que se extiende de manera transversal sobre material de razonamiento computarizado esencial y progresivo. Una ventaja especial de este trabajo es la combinación de Inteligencia Artificial, Prólogo y Justificación. Cada marco está unido por un programa que lo realiza.
PD: FavouriteBlog definitivamente no obtiene eminencias de Amazon: esta lista se exhibe solo para permitir a nuestros lectores evaluar libros fascinantes.
A continuación se presentan los 20 libros más populares en la categoría AI y aprendizaje automático.
1.) Python Machine Learning por ejemplo
2.) Inteligencia artificial: Guía para principiantes absolutos (secreto de datos)
3.) Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes
4.) Vida 3.0: Ser humano
5.) Superinteligencia: caminos, peligros, estrategias
6.) Aprendizaje profundo (series de computación adaptativa y aprendizaje automático)
7.) El algoritmo maestro: cómo la búsqueda de la máquina de aprendizaje definitiva rehacerá nuestro mundo
8.) Crea tu propia red neuronal: una introducción visual en profundidad para principiantes
9.) Nuestra invención final: inteligencia artificial y el fin de la era humana
10.) Aprendizaje automático para principiantes absolutos: una introducción simple, concisa y completa a los algoritmos de aprendizaje supervisados y no supervisados
11.) Qué hacer cuando las máquinas hacen todo: cómo avanzar en un mundo de inteligencia artificial, algoritmos, bots y Big Data
12.) Introducción al aprendizaje automático con Python: una guía para científicos de datos
13.) Aprendizaje profundo para principiantes: conceptos, técnicas y herramientas (secreto de datos)
14.) Amazon Echo: 2016: la guía definitiva para aprender Amazon Echo en poco tiempo
15.) Python Machine Learning
16.) Aprendizaje automático: la nueva IA: la serie de conocimientos esenciales de MIT Press
17.) Fundamentos del aprendizaje automático para el análisis predictivo de datos: algoritmos, ejemplos resueltos y estudios de casos
18.) El algoritmo maestro: cómo la búsqueda de la máquina de aprendizaje definitiva reconquistará nuestro mundo
18.) Los humanos no necesitan aplicar: una guía para la riqueza y el trabajo en la era de la inteligencia artificial
19.) Aprendizaje automático: el arte y la ciencia de los algoritmos que tienen sentido de los datos
20.) Qué pensar sobre las máquinas que piensan: los pensadores líderes de hoy en la era de la inteligencia artificial
1. Anhelo del aprendizaje automático: por Andrew Ng
AI, Machine Learning y Deep Learning están cambiando varias empresas. Este libro recoge rápidamente con el objetivo de que puede ser mejor en la construcción de marcos de IA.
Dónde descargar: haga clic aquí
2. Comprensión del aprendizaje automático: de la teoría a los algoritmos: por Shai Shalev-Shwartz y Shai Ben-David
El aprendizaje automático es una de las gamas de desarrollo más rápido de ingeniería de software, con aplicaciones expansivas. Este libro presenta el aprendizaje automático y los estándares algorítmicos que ofrece, en principio. El libro ofrece un registro hipotético de los conceptos básicos del aprendizaje automático básico y las deducciones numéricas que cambian estos estándares en cálculos útiles. este libro cubre estándares algorítmicos críticos que incluyen caída estocástica de pendientes, sistemas neuronales y aprendizaje organizado del rendimiento; y desarrollando ideas hipotéticas.
Dónde descargar: haga clic aquí
3. Think Stats: Probability and Statistics for Programmers – Por Allen B. Downey
Think Stats es un prólogo de Probabilidad y Estadística para desarrolladores de Python.
Think Stats acentúa las estrategias básicas que puede usar para investigar colecciones de información genuinas y responder preguntas intrigantes.
Dónde descargar: haga clic aquí
4. Programación probabilística y métodos bayesianos para hackers : por Cam Davidson-Pilon
Una introducción a las estrategias bayesianas y la programación probabilística desde un cálculo para comenzar, una segunda perspectiva aritmética.
La estrategia bayesiana es la forma normal de lidiar con la inferencia, sin embargo, se evitan los usuarios que se encuentran detrás de secciones de examen numérico moderado. El contenido regular sobre la conjetura bayesiana incluye algunas secciones sobre hipótesis de probabilidad, luego ingresa lo que es la derivación bayesiana.
Dónde descargar: haga clic aquí
5. Los elementos del aprendizaje estadístico: por Trevor Hastie, Robert Tibshirani y Jerome Friedman
El alcance del libro es expansivo, desde el aprendizaje administrado (expectativa) hasta el aprendizaje no supervisado. Los numerosos puntos incorporan sistemas neuronales, máquinas de vectores de refuerzo, árboles de caracterización y refuerzo, el tratamiento extenso primario de este tema en cualquier libro.
Dónde descargar: haga clic aquí
6. Fundamentos de la ciencia de datos: por Avrim Blum, John Hopcroft y Ravindran Kannan
Este libro para cubrir la hipótesis propensa a ser útil en los siguientes 40 años, de manera similar a la comprensión de la hipótesis de autómatas, los cálculos y los temas relacionados, dio a los suplentes una posición favorable en los últimos 40 años.
Dónde descargar: haga clic aquí
7. Una introducción al aprendizaje estadístico con aplicaciones en R – Por Gareth James, Daniela Witten, Trevor Hastie y Robert Tibshirani
El libro contiene varios laboratorios R con aclaraciones detalladas sobre el método más competente para actualizar las diferentes estrategias, todo lo considerado, la configuración y debe ser un activo importante para un investigador de información de ensayo.
Dónde descargar: haga clic aquí
8. Una guía del programador para la minería de datos: el arte antiguo de los Numerati – Por Ron Zacharski
El material de lectura se presenta como una progresión de pequeños avances que se expanden entre sí hasta que, cuando termine el libro, haya establecido el marco para comprender los sistemas de minería de información.
Dónde descargar: haga clic aquí
9. Aprendizaje profundo: por Ian Goodfellow, Yoshua Bengio y Aaron Courville
La lectura del curso de Aprendizaje profundo es un activo propuesto para ayudar a los estudiantes y a los profesionales a ingresar al campo del aprendizaje automático en general y al aprendizaje amplio y profundo. La adaptación en línea del libro es actualmente total y permanecerá accesible en línea por nada.
Dónde descargar: haga clic aquí
10. Minería de conjuntos de datos masivos: por Jure Leskovec, Anand Rajaraman y Jeff Ullman
El libro se describe a nivel de ingeniería de software de pregrado para impulsar futuras investigaciones, la mayoría de las partes se complementan con referencias de lectura más exhaustivas.
Dónde descargar: haga clic aquí
