¿Cuál es una lectura más útil para alguien interesado en la investigación de LA: “Teoría del aprendizaje estadístico” de Vapnik, o “Elementos del aprendizaje estadístico” de Friedman / Tibshirani / Hastie?

Depende de (1) sus antecedentes y (2) sus objetivos.

Antecedentes : ¿Eres tú?

  1. ¿Un matemático / estadístico / informático puro? Si realmente quieres entender la filosofía detrás de ML, elige Vapnik. Es denso
  2. ¿Un aficionado, experimentador, diletante, ingeniero de software? Elige ESL. Le dará la comprensión básica y un buen marco de cómo pensar acerca de ML en la práctica. Luego, puedes decidir si quieres perseguir a Vapnik.

Objetivos : ¿Quieres

  1. ¿Escribir pruebas, ser un investigador de IA, desarrollar sus propios algoritmos de ML? Elige Vapnik. Ese es el punto del libro.
  2. ¿Aprender ML, ponerlo en práctica y crear herramientas? Elige ESL.

En resumen: Vapnik por los fundamentos densos, filosóficos y matemáticos del aprendizaje computacional. ESL para recoger algoritmos e intuición, y ponerlos en práctica.

Hojeé Vapnik y parece que hay más sabor de análisis y geometría. Por lo tanto, puede comunicarse mejor con la física y la neurociencia con respecto a los fundamentos del aprendizaje supervisado que los otros dos.

Pero parece faltar algunos componentes que se incluyen en el libro más completo de HUJI, incluido el aprendizaje en línea y el aprendizaje no supervisado. El libro de HUJI cubre los fundamentos teóricos de todo el aprendizaje automático, pero no profundiza en SVM como Vapnik, ni profundiza en el aprendizaje en línea. Pero hay libros más especializados para el aprendizaje en línea / optimización convexa en línea / teoría de juegos, como http://sbubeck.com/SurveyBCB12.pdf .

Los elementos del aprendizaje estadístico, como dijo Logan Graham, tienen una naturaleza de caja de herramientas.

Si tiene un enfoque para el aprendizaje automático y la investigación, debe intentar una colección de libros. Esto significa los elementos del aprendizaje estadístico y la teoría del aprendizaje estadístico. Puede beneficiarse de los libros de texto en algoritmos y / o estructuras de datos. Se beneficiará de los libros sobre aprendizaje automático e inteligencia artificial. Y deberá preparar todos los libros y materias previos a los requisitos antes de leer los libros de texto estándar de campo. Esto es estrictamente necesario si va a hacer más que leer el estándar de campo e investigar y / o publicar material.

Por lo tanto, tendrá una colección de libros de texto. Esto incluirá libros de preparación y materias que elija. Incluirá todos los libros relacionados con el aprendizaje automático, la asignatura de informática. Leerá los estándares de campo si / cuando esté listo y tenga la motivación. Es de gran ayuda haber pensado por qué leerlos y cómo aplicarlos.

Recomiendo un programa académico, cursos cuidadosamente elegidos y algunos títulos educativos que proporcionen un estudio de aprendizaje automático. Necesita más que leer libros de texto y su propia biblioteca para realizar investigaciones, contribuir a lo académico y / o aplicar el aprendizaje a su trabajo.