En ycombinator, alguien publicó una lista de libros recomendados por Michael Jordan [1] en algún momento. Como ya ha terminado con Álgebra lineal y Estadística, probablemente debería continuar con esta lista. Reproduciendo la lista del siguiente enlace:
1.) Casella, G. y Berger, RL (2001). “Inferencia estadística” Duxbury Press.
2.) Ferguson, T. (1996). “Un curso de teoría de muestras grandes” Chapman & Hall / CRC.
3.) Lehmann, E. (2004). “Elementos de la teoría de la muestra grande” Springer.
4.) Gelman, A. et al. (2003) “Análisis de datos bayesianos” Chapman & Hall / CRC.
5.) Robert, C. y Casella, G. (2005). “Métodos estadísticos de Monte Carlo” Springer.
6.) Grimmett, G. y Stirzaker, D. (2001). “Probabilidad y procesos aleatorios” Oxford.
7.) Pollard, D. (2001). “Una guía del usuario para medir la probabilidad teórica” Cambridge.
8.) Bertsimas, D. y Tsitsiklis, J. (1997). “Introducción a la optimización lineal” Athena.
9.) Boyd, S. y Vandenberghe, L. (2004). “Optimización convexa” Cambridge.
10.) Golub, G. y Van Loan, C. (1996). “Cálculos matriciales” Johns Hopkins.
11.) Portada, T. y Thomas, J. “Elementos de la teoría de la información” Wiley.
12.) Kreyszig, E. (1989). “Análisis funcional introductorio con aplicaciones” Wiley
Solo agregaré dos libros más a esta lista,
13.) “Teoría de la estimación puntual” por E. Lehmann y George Casella.
14.) “Modelos gráficos probabilísticos” de Daphne Koller y Nir Friedman
- ¿Cómo funciona la propagación hacia atrás en la red neuronal convolucional?
- ¿Vale la pena un doctorado en CS si no planea ingresar a la academia?
- ¿A qué áreas de investigación y aplicaciones se aplica con éxito el aprendizaje automático bayesiano?
- ¿Qué es el aprendizaje automático basado en modelos?
- ¿Cuáles son algunos documentos similares al trabajo realizado para el Proyecto Tango de Google?
Por supuesto, se ha señalado debidamente en esa página del combinador que esta lista está destinada a alguien que planea investigar en el aprendizaje automático. Por lo tanto, si está mirando desde una perspectiva aplicada, puede leer los libros 8, 9 y 14. Estos deberían ser suficientes para darle las herramientas necesarias para buscar un documento de investigación e implementarlos.
Por cierto, si solo quieres profundizar en el aprendizaje automático, te sugiero que comiences a leer, “Reconocimiento de patrones y aprendizaje automático” de Christopher Bishop.
[1] Mike Jordan en Berkeley me envió su lista sobre lo que la gente debería aprender para el LD. Los…