¿Cuáles son los mejores libros de aprendizaje automático para principiantes?

1. En una palabra, Machine Learning Mastery selecciona un proyecto que vaya con weka lo antes posible.
2. Solo leer libros no te ayudará mucho. siga este camino, encontrará una lista de libros en estos recursos; de lo contrario, solo copiaré y pegaré el nombre de los libros no será valioso para usted porque el campo también es amplio y profundo.
3. Introducción y libros de algoritmos ml comunes más un conjunto de datos común de la biblioteca ucl machinelearning y únete a kaggle
4. ¿Cuál es su fondo matemático o no matemático si no es matemático que http://machinelearningmystery.com ? Si las matemáticas toman los primeros 30 tutoriales de Andrew Ng, conocerá los detalles técnicos aquí y se sentirá abrumado por las posibilidades de esta comprensión técnica.
5. El problema que desea resolver radica en qué área. es nlp, visión por computadora, problemas de ventas, cadena de suministro de acuerdo con su proyecto, seleccione un libro nuevamente. Además, practique conjuntos de datos de este problema.
6. Ahora vienen grandes libros de datos cuando completó su proyecto de muestra, es hora de obtener conjuntos de datos serios, serán enormes, así que lea el aprendizaje automático escalable. Mire los datos abiertos para conjuntos de datos medianos o grandes.
7. Nota. Por favor, haga el primer paso para comenzar a leer libros. Cómo leo libros he descargado toneladas de libros. Estaré encantado de compartirlo contigo. Envíame tu emailid.
8. Debe estudiar el funcionamiento interno del algoritmo cuando desee mejorar el rendimiento del modelo más adelante en su proyecto. Este algoritmo será específico del proyecto.

No recomendaría a nadie que esté dispuesto a comenzar ML con un libro. Esto es lo mismo que aprender a nadar leyendo un libro. A menos que alguien quiera sentir o tener alguna exposición, comenzar con un libro no es mi recomendación personal.

Mi guía de inicio es: instalar Anaconda Python y piratear la regresión lineal tal vez.

Todavía hay algunos libros para ti a continuación:

Elementos de aprendizaje estadístico por Trevor Hastie, Robert Tibshirani, Jerome Friedman.

Aprendizaje automático para hackers por Drew Conway y John Myles White.

Depende de tu objetivo. Si desea aprender cómo usarlo, el tutorial oficial del módulo de Python scikit-learn (hay algunas explicaciones generales sobre los algoritmos principales)

Si su objetivo es especializarse, depende de su formación matemática.

El aprendizaje automático es una unión de muchos temas: álgebra lineal, probabilidad, análisis numérico, optimización, etc.

Cuando todos esos temas estén familiarizados con usted, le recomendaré que comience con el reconocimiento de patrones y el aprendizaje automático por Christopher M. Bishop

Buena suerte

A2A. Principalmente leía documentos académicos, tutoriales, manuales y referencias de idiomas cuando me di cuenta de que necesitaba usar técnicas de aprendizaje automático para lograr una pequeña subrutina. Esto me hizo sentir como si estuviera recibiendo una educación más adecuada y personalizada, y me permitió buscar aún más libros utilizando las citas en escritos académicos. También recomiendo un libro de psicología educativa. Esto le permitirá comprender cómo se desarrollan los humanos mientras aprenden constantemente. Para convertirte en un maestro de máquinas, primero comienza a pensar como un maestro humano. Las herramientas son diferentes, pero las técnicas son las mismas, si no extremadamente similares.

Sugeriría a IH Witten y E. Frank. Minería de datos: herramientas y técnicas prácticas de aprendizaje automático . Serie Morgan Kaufmann en Sistemas de Gestión de Datos. Morgan Kaufmann, San Francisco, CA, EE. UU., 2a edición, 2005.

El libro es de las personas detrás de Data Mining con Open Source Machine Learning Software en Java, aunque hay una edición más reciente de la copia anterior.

Algunas sugerencias de libros.

Mi siguiente paso sugerido es obtener un libro de ML decente (mi lectura más abajo), leer las principales secciones de introducción, y después de eso rebotar a cualquier parte que incorpore un algoritmo, usted está interesado. Cuando haya descubierto ese algo, salte a él, vea cada uno de los puntos de interés y, en particular, impleméntelo. En el paso anterior del curso en línea, a partir de ahora habría actualizado algunos algoritmos en Octave. Sea como fuere, aquí estoy buscando ejecutar un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con una simple, por ejemplo, Regresión logística regularizada en L2, o k-means, pero también debe impulsarse a actualizar todos los más intrigantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de obtener resultados equivalentes.

• El razonamiento bayesiano y el aprendizaje automático de David Barber
• El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones y aprendizaje automático de Bishop
• Aprendizaje automático de Mitchell

También hay numerosos libros excelentes que llaman la atención sobre un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplo antes de ser distribuido. Sea como fuere, necesita un par de esos libros para reunir una comprensión equilibrada y hasta cierto punto del campo.

10 libros electrónicos gratuitos que debes leer sobre conceptos básicos de aprendizaje automático.

Te recomiendo Introducción al aprendizaje estadístico (ISLR) con aplicaciones en R si eres un principiante. Está inspirado en Elementos de aprendizaje estadístico, mientras que es más para el nivel de pregrado o principiantes del campo. También hace una buena transición hacia su libro de inspiración, si lo desea.

Si está buscando libros simples no matemáticos, consulte el aprendizaje automático en el libro de acción. Me gustó la minería de datos por Ian Whitten. Está muy bien escrito, ya que es interesante.

Las principales referencias son libros de Bishop, Tom Mitchell si eres bueno con las matemáticas. Los elementos del aprendizaje estadístico son populares y el pdf está disponible.

Sugeriría Elementos de aprendizaje estadístico si está utilizando R – muchos ejemplos de teoría y aplicación de datos. Una buena visión general de los conceptos de algoritmos y la intuición que sigue a este libro (y agrega nuevos algoritmos) es: https://www.slideshare.net/Colle …

No es un libro, pero repasaría el álgebra lineal (la academia Kahn trabaja para esto) y luego vería algunos de Siraj en YouTube. Definitivamente no es una conferencia completa, sino un gran comienzo.

Entonces sugeriría conferencias MIT OpenCourseWare Neural Nets (12a y 12b). La conferencia de máquina de vectores de soporte también es increíble. Termina todo eso y estarás balanceándote y rodando.