18 nuevos libros de lectura obligatoria para científicos de datos sobre R y Python
Introducción
“Se llama lectura. Es cómo la gente instala un nuevo software en su cerebro ”
- ¿Cómo es que Hawking et. Alabama. ¿advierten de una súper inteligencia ya que una inteligencia amplia depende de la socialización y vadear por el mundo?
- ¿Qué B-Sc. Los programas de IA y CS elegirían un entusiasta de la Inteligencia Artificial, y por qué: ¿la Universidad de Sheffield frente a la Universidad de Birmingham?
- Cómo hacer semillas AI
- ¿En qué punto se debe otorgar a la inteligencia artificial los mismos derechos que los humanos?
- Cómo usar AI en mi sitio web
Personalmente, no he aprendido tanto de videos y tutoriales en línea tanto como he aprendido de los libros. Hasta este mismo momento, mi pequeño estante de madera tiene suficientes libros para mantenerme ocupado este invierno.
Comprender el aprendizaje automático y la ciencia de datos es fácil. Existen numerosos cursos abiertos que puede tomar ahora mismo y comenzar. Pero, adquirir un conocimiento profundo de un tema requiere un esfuerzo extra. Por ejemplo: es posible que comprenda rápidamente cómo funciona un bosque aleatorio, pero comprender la lógica detrás de su funcionamiento requeriría esfuerzos adicionales.
La confianza de cuestionar la lógica proviene de leer libros. Algunas personas aceptan fácilmente el statu quo. Por otro lado, algunos curiosos desafían y dicen: “¿Por qué no se puede hacer de otra manera?” Ahí es donde esas personas descubren nuevas formas de ejecutar una tarea. Casi todos los científicos de datos que he conocido en persona, en AMA, en entrevistas publicadas, cada uno de ellos ha enfatizado el papel inevitable de los libros en sus vidas.
Aquí hay una lista de libros sobre aprendizaje automático / ciencia de datos en R y Python que he encontrado en el último año. Dado que leer es un buen hábito, con esta publicación, quiero pasarle este hábito. Para cada libro, he escrito un resumen para ayudarlo a juzgar su relevancia. ¡Feliz lectura!
Divulgación: los enlaces de Amazon en este artículo son enlaces de afiliados. Si compra un libro a través de este enlace, nos pagarían a través de Amazon. Esta es una de las formas en que podemos cubrir nuestros costos mientras continuamos creando estos increíbles artículos. Además, la lista refleja nuestra recomendación basada en el contenido del libro y no está influenciada de ninguna manera por la comisión.
R para ciencia de datos
Programación práctica con R
Este libro está escrito por Garrett Grolemund. Es más adecuado para las personas nuevas en R. Aprender a escribir funciones y bucles le permite hacer mucho más en R, que simplemente hacer malabares con los paquetes. La gente piensa que los paquetes R pueden permitirles evitar escribir funciones y bucles, pero no es un enfoque sostenible. Este libro le presenta los detalles del entorno de programación R utilizando proyectos interesantes como dados ponderados, naipes, máquinas tragamonedas, etc. El lenguaje del libro es simple de entender y los ejemplos pueden reproducirse fácilmente.
Disponible: Comprar ahora
Temas relacionados: servicios seo en Bangalore
R para todos: análisis y gráficos avanzados
Este libro está escrito por Jared P. Lander. Es un libro decente que cubre todos los aspectos de la ciencia de datos, como la visualización de datos, la manipulación de datos, el modelado predictivo, pero no con tanta profundidad. Puedes entenderlo, ya que cubre una gran cantidad de temas y se pierde detalles de cada uno. Precisamente, hace hincapié en los criterios de uso de los algoritmos y en un ejemplo, cada uno de los cuales muestra su implementación en R. Estos libros deben ser presentados por personas que estén más inclinadas a comprender el lado práctico de los algoritmos.
Disponible: Comprar ahora
Temas relacionados: tabletas de glucosa
R Cookbook
Este libro está escrito por Teetor Paul. Se compone de varios consejos, recetas para ayudar a las personas a superar las luchas diarias en el procesamiento y manipulación de datos. Muchas veces, estamos atrapados en una situación en la que sabemos muy bien lo que hay que hacer. Pero, cómo debe hacerse se convierte en un desafío gigantesco. Este libro resuelve el problema. No tiene una explicación teórica de los conceptos, pero se centra en cómo usarlos en R. Cubre una amplia gama de temas como probabilidad, estadística, análisis de series de tiempo, preprocesamiento de datos, etc.
Disponible: Comprar ahora
Temas relacionados: la vida del Dharma
R Graphics Cookbook
Este libro está escrito por Winston Chang. La visualización de datos permite a una persona expresar y analizar sus hallazgos utilizando formas y colores, no solo en tablas. Tener una sólida comprensión de los gráficos, cuándo usar qué gráfico, cómo personalizar un gráfico y hacer que se vea bien, es una habilidad clave de un científico de datos. Este libro no te aburre con conocimientos teóricos, pero se enfoca en construirlos en R usando conjuntos de datos de muestra. Se centra en el paquete ggplot2 para llevar a cabo todas las actividades de visualización.
Disponible: Comprar ahora
Temas relacionados: Mejores colegios PG en Bangalore
Modelado predictivo aplicado
Este libro está escrito por Max Kuhn y Kjell Johnson. Max Kuhn no es otro que el creador del paquete caret también. Es uno de los mejores libros que comprende una combinación de conocimientos teóricos y prácticos. Discute varios temas cruciales de aprendizaje automático, como sobreajuste, selección de características, modelos lineales y no lineales, métodos de árboles, etc. No hace falta decir que demuestra todos estos algoritmos utilizando el paquete caret. Caret es uno de los poderosos paquetes ML contribuidos en la biblioteca CRAN.
Disponible: Comprar ahora
Temas relacionados: Coronas y puentes de circonia
Introducción al aprendizaje estadístico
Este libro está escrito por un equipo de autores, incluidos Trevor Hastie y Robert Tibshirani. Es uno de los libros más detallados sobre modelado estadístico. Además, está disponible de forma gratuita. Se compone de una explicación en profundidad de temas tales como regresión lineal, regresión logística, árboles, SVM, aprendizaje no supervisado, etc. Como es la introducción, las explicaciones son bastante fáciles y cualquier novato puede seguirlo fácilmente. Por lo tanto, recomendé este libro a todas las personas que son nuevas en el aprendizaje automático en R. Además, varios ejercicios de práctica en este libro solo agregan cereza en la parte superior.
Disponible: Comprar ahora
Temas relacionados: orador motivacional en la India
Elementos de aprendizaje estadístico
Este libro está escrito por Trevor Hastie, Robert Tibshirani y Jerome Friedman. Esta es la siguiente parte de ‘Introducción al aprendizaje estadístico’. Se compone de temas más avanzados, por lo tanto, te sugiero que no saltes directamente a él. Este libro es el más adecuado para personas familiarizadas con los conceptos básicos del aprendizaje automático. Habla sobre métodos de contracción, diferentes métodos lineales para regresión, clasificación, suavizado de núcleos, selección de modelos, etc. Es un libro de lectura obligada para las personas que desean comprender el LD en profundidad.
Disponible: Comprar ahora
Temas relacionados: Entrenamiento de liderazgo cerca de mí
Aprendizaje automático con R
Este libro está escrito por Brett Lantz. Estoy impresionado por la simplicidad de la forma en que este autor explica los conceptos. Es un libro sobre aprendizaje automático que es fácil de entender y que también le proporcionaría muchos conocimientos sobre sus aspectos prácticos. Algoritmos como embolsado, refuerzo, SVM, red neuronal, agrupamiento, etc. se discuten resolviendo los estudios de caso respectivos. Estos estudios de caso lo ayudarán a comprender el uso real de estos algoritmos. Además, también se discute el conocimiento de los parámetros de ML.
Disponible: Comprar ahora
Dominar el aprendizaje automático con R
Este libro está escrito por Cory Lesmeister. Es el más adecuado para todos los que quieran dominar R para fines de aprendizaje automático. Se compone de todos (casi) algoritmos y su ejecución en R. Además, este libro le presentará varios paquetes de R utilizados para ML, incluido el paquete H2o recientemente lanzado. Es un libro que presenta los últimos avances en ML forte, por lo tanto, sugiero que sea leído por todos los usuarios de R. Sin embargo, no puede esperar aprender técnicas avanzadas de ML como el Apilamiento de este libro.
Disponible: Comprar ahora
Aprendizaje automático para hackers
Este libro está escrito por Drew Conway y John Myles White. Es un libro relativamente más corto que otros, pero destaca la importancia de cada tema discutido. Después de leer este libro, me di cuenta de que la mentalidad del autor no es profundizar en un tema, aún así me aseguro de cubrir detalles importantes. Para una mejor comprensión, el autor también demuestra varios casos usados, mientras resuelve cuáles, también explica los métodos subyacentes. Es una buena lectura para todos los que quieran aprender algo nuevo sobre ML.
Disponible: Comprar ahora
Ciencia de datos práctica con R
Este libro está escrito por Nina Zumel y John Mount. Como su nombre indica, este libro se enfoca en usar métodos de ciencia de datos en el mundo real. Es diferente en sí mismo. Ninguno de los libros enumerados anteriormente habla sobre los desafíos del mundo real en la construcción de modelos, despliegue de modelos, pero lo hace. La autora no mueve su enfoque de establecer una conexión entre el mundo teórico de ML y su impacto en las actividades del mundo real. Es una lectura obligada para los estudiantes de primer año que aún no han ingresado a la industria analítica.
Disponible: Comprar ahora
Python para ciencia de datos
Dominar Python para Data Science
Este libro está escrito por Samir Madhavan. Este libro comienza con una introducción a las estructuras de datos en Numpy & Pandas y proporciona una descripción útil de la importación de datos de varias fuentes a estas estructuras. Aprenderá a realizar álgebra lineal en Python y a realizar análisis utilizando estadísticas inferenciales. Más tarde, el libro toma los conceptos avanzados como construir un motor de recomendación, visualización de alta gama usando Python, modelado de conjuntos, etc.
Disponible: Comprar ahora
Python para análisis de datos
¿Desea comenzar con el análisis de datos con Python? Obtenga esta guía de análisis de datos de W Mckinney, autor principal de la biblioteca Pandas. No hay ningún curso en línea tan completo como este libro. Este libro cubre todos los aspectos del análisis de datos desde la manipulación, procesamiento, limpieza, visualización y procesamiento de datos en Python. Si eres nuevo en Python de ciencia de datos, es una lectura obligada para ti. Está repleto de estudios de casos de varios dominios.
Disponible: Comprar ahora
Introducción al aprendizaje automático con Python
Este libro está escrito por Andreas Muller y Sarah Guido. Está destinado a ayudar a los principiantes a comenzar con el aprendizaje automático. Enseña a construir modelos ML en python scikit-learn desde cero. No supone ningún conocimiento previo, por lo tanto, es más adecuado para personas sin conocimientos previos de Python o ML. Además, también cubre métodos avanzados para evaluación de modelos y ajuste de parámetros, métodos para trabajar con datos de texto, técnicas de procesamiento específicas de texto, etc.
Disponible: Comprar ahora
Python Machine Learning
Este libro está escrito por Sebastian Raschka. Es uno de los libros más completos que he encontrado sobre ML en Python. El autor explica cada detalle crucial que necesitamos saber sobre el aprendizaje automático. Toma un enfoque gradual al explicar los conceptos respaldados por varios ejemplos. Este libro cubre temas como redes neuronales, agrupamiento, regresión, clasificación, conjunto, etc. Es un libro de lectura obligada para todos los que deseen dominar el aprendizaje automático en Python.
Disponible: Comprar ahora
Creación de sistemas de aprendizaje automático con Python
Este libro está escrito por Willi Richert, Luis Pedro Coelho. En este libro, los autores han elegido un camino, comenzando por lo básico, explicando conceptos a través de proyectos y terminando con una nota alta. Por lo tanto, sugeriría este libro a los entusiastas novatos del aprendizaje automático de Python. Cubre temas como el procesamiento de imágenes, el motor de recomendaciones, el análisis de sentimientos, etc. Es fácil de entender y rápido implementar el libro de texto.
Disponible: Comprar ahora
Aprendizaje automático avanzado con Python
Este libro está escrito por John Hearty. Es una lectura definitiva para todos los entusiastas del aprendizaje automático. Te permite superar los conceptos básicos de las técnicas de ML y sumergirte en métodos no supervisados, redes de creencias profundas, codificadores automáticos, técnicas de ingeniería de características, conjuntos, etc. El autor pone el mismo énfasis en los aspectos teóricos y prácticos del aprendizaje automático.
Disponible: Comprar ahora
Programando Inteligencia Colectiva
Este libro está escrito por Toby Segaran. Con un título interesante, este libro tiene la intención de presentarle varios algoritmos de ML como SVM, árboles, clustering, optimización, etc. utilizando ejemplos interesantes y casos usados. Este es el libro más adecuado para personas nuevas en ML en Python. Python, conocido por sus increíbles bibliotecas y soporte de ML, debería facilitarle aprender estos conceptos más rápido. Además, los capítulos incluyen ejercicios para practicar para ayudarlo a desarrollar una mejor comprensión.
Disponible: Comprar ahora
Fuente: Analytics Vidhya
