Beste Lehrbücher für maschinelles Lernen in Top 10Top 10
Es ist dann keine Überraschung, dass so viele Menschen in Betracht ziehen, in die faszinierende Welt der Computeralgorithmen einzutreten, die sich durch Erfahrung automatisch verbessern. Wenn Sie unter ihnen sind-oder wenn Sie nur über den Hype vorbeischauen und verstehen möchten, in welchem maschinellem Lernen wirklich unsere Auswahl der 20 besten Lehrbücher für maschinelles Lernen Ihnen helfen können, können Sie Ihre Ziele erreichen.
Künstliche Intelligenz: Ein moderner Ansatz (4. Ausgabe) von Peter Norvig und Stuart J. Russell
Verfügbar: bei Amazon
Veröffentlicht: 2020
Seitenzahl: 1136
Die Entscheidung, mit welchem Lehrbuch für maschinelles Lernen zu beginnen, war nicht schwierig, weil künstliche Intelligenz: Ein moderner Ansatz wird den Schülern von Universitäten auf der ganzen Welt empfohlen. Jetzt in seinen 4th Ausgabe, das Buch leistet einen fantastischen Job in der Einführung des Gebiets der künstlichen Intelligenz (maschinelles Lernen ist eine Untergruppe von KI) an Anfänger und deckt auch eine breite Palette verwandter Forschungsthemen ab und liefert nützliche Referenzen für weitere Untersuchungen. Laut den Autoren sollte dieses große Lehrbuch ungefähr zwei Semester dauern. Erwarten Sie also nicht, dass es eine schnelle Lektüre ist.
Mustererkennung und maschinelles Lernen von Christopher M. Bischof
Verfügbar: bei Amazon
Veröffentlicht: 2011
Seitenzahl: 738
Sie können sich Mustererkennung und maschinelles Lernen von Christopher M vorstellen. Bischof als sanfte (zumindest in Bezug. Das Lehrbuch enthält über 400 Übungen, die nach ihrer Schwierigkeit bewertet werden, und auf seiner Website ist viel mehr zusätzliches Material verfügbar. Erwarten Sie einfach nicht zu wissen, wie das Lehrbuch lehrt, wenn Sie die letzte Seite erreichen-es gibt andere Bücher dafür.
Tiefes Lernen von Goodfellow ET. al
Verfügbar: bei Amazon
Veröffentlicht: 2016
Seitenzahl: 800
Wenn Sie Elon Musk bitten möchten, Ihnen ein Buch über maschinelles Lernen zu empfehlen, würde er dies empfehlen, das er empfehlen würde. Er sagt einmal, dass Deep Learning das einzige Buch zu diesem Thema ist. Das Buch deckt alles von dem mathematischen und konzeptionellen Hintergrund bis hin zu branchenführenden Deep-Lern-Techniken und den neuesten Forschungsperspektiven ab. Wir empfehlen Ihnen, die elektronische Version zu erhalten, da Deep Learning für die schlechte Druckqualität berüchtigt ist.
Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage, zweite Ausgabe von Hastie, Tibshirani und Friedman
Verfügbar: bei Amazon
Veröffentlicht: 2016
Seitenzahl: 767
Lassen Sie sich nicht vom Titel dieses Lehrbuchs einschüchtern. Wenn Sie das maschinelle Lernen wirklich verstehen und es anwenden möchten, um schwierige Probleme zu lösen, müssen Sie sich daran gewöhnen, Lehrbücher zu lesen, die nicht sehr zugänglich erscheinen. Auch wenn das Lehrbuch einen entscheidenden statistischen Ansatz verfolgt, müssen Sie kein Statistiker sein, um es zu lesen, da es eher Konzepte als die Mathematik betont.
Praktisches maschinelles Lernen mit Scikit-Learn, Keras und Tensorflow: Konzepte, Werkzeuge und Techniken zum Aufbau intelligenter Systeme (2nd Ausgabe) von Aurélien Géron
Verfügbar: bei Amazon
Veröffentlicht: 2019
Seitenzahl: 856
Scikit-Learn, Keras und TensorFlow sind drei beliebte Bibliotheken für maschinelles Lernen, und dieses Lehrbuch konzentriert. Dank der anfängerfreundlichen Natur dieser Bibliotheken sind minimales theoretisches Wissen erforderlich, um dieses Lehrbuch zu lesen, und macht es großartig für diejenigen, die ein intuitives Verständnis für maschinelles Lernen erlangen möchten, indem es etwas Nützliches aufbaut.
Verständnis für maschinelles Lernen: Von Theorie zu Algorithmen von Shai Shalev-Shwartz und Shai Ben-David
Verfügbar: bei Amazon
Veröffentlicht: 2014
Seitenzahl: 410
Viele Lehrbücher über maschinelles Lernen sind schwer durchzukommen, da ihre Autoren sich nicht in die Schuhe eines Menschen auf dem Feld setzen können, aber nicht in diesem Fall. Das Verständnis des maschinellen Lernens beginnt mit einer klaren Einführung in statistisches maschinelles Lernen. Es verbindet dann die theoretischen Konzepte mit praktischen Algorithmen, ohne weder zu wortreich noch zu vage zu sein. Unabhängig davon, ob Sie Ihr Wissen auffrischen oder auf eine lebenslange Reise in der Branche beginnen möchten, zögern Sie nicht, dieses Lehrbuch zu schnappen.
Maschinelles Lernen: Eine probabilistische Perspektive von Kevin P. Murphy
Verfügbar: bei Amazon
Veröffentlicht: 2012
Seitenzahl: 1104
Wie der Titel dieses Buches schon sagt, beruht diese Einführung in maschinelles Lernen auf probabilistischen Modellen, um Muster in Daten zu erkennen und sie zu verwenden, um Vorhersagen über zukünftige Daten zu treffen. Das Buch ist in einem angenehmen, informellen Stil geschrieben und nutzt Illustrationen und praktische Beispiele hervorragend. Die beschriebenen Modelle wurden mithilfe von Probabilistic Modeling Toolkit implementiert, ein Matlab -Softwarepaket, das Sie aus dem Internet herunterladen können. Leider wird das Toolkit nicht mehr unterstützt, da die neue Version dieses Buches stattdessen Python verwenden wird.
Informationstheorie, Inferenz und Lernalgorithmen von David J. C. Mackay
Verfügbar: bei Amazon
Veröffentlicht: 2003
Seitenzahl: 640
Ja, dieses Lehrbuch wurde vor fast 20 Jahren veröffentlicht, aber das macht es heute nicht weniger relevant. Das maschinelle Lernen ist doch nicht annähern. Was macht Informationstheorie, Inferenz- und Lernalgorithmen von David J aus. C. Mackay ist so zeitlos sein multidisziplinärer Ansatz, der ausreichende Verbindungen zwischen verschiedenen Feldern bietet. Für sich selbst ist es nicht sehr nützlich, weil es nicht genügend praktische Beispiele hat, aber es funktioniert als einleitendes Lehrbuch hervorragend.
Eine Einführung in statistisches Lernen: mit Anwendungen in R von Gareth M. James, Trevor Hastie, Daniela Witten und Robert Tibshirani
Verfügbar: bei Amazon
Veröffentlicht: 2013
Seitenzahl: 440
Sie können sich eine Einführung in das statistische Lernen als eine ansprechendere Alternative zu den Elementen des statistischen Lernens vorstellen, die erweiterte Kenntnisse der mathematischen Statistik erfordert. Um dieses Lehrbuch zu beenden, sollten Sie mit einem Bachelor -Abschluss in Mathematik oder Statistik vollkommen in Ordnung sein. Auf seinen 440 Seiten geben die Autoren einen Überblick über das Gebiet des statistischen Lernens und präsentieren wichtige Modellierungs- und Vorhersage -Techniken mit ihren Anwendungen.
Das hundertseitige maschinelles Lernbuch von Andriy Burkov
Verfügbar: bei Amazon
Veröffentlicht: 2019
Seitenzahl: 160
Während die meisten in diesem Artikel aufgeführten Lehrbücher näher an tausend Seiten sind, erklärt dieses dünne Buch, das als Herausforderung auf LinkedIn begann. Ein Grund, warum das hundertseitige Buch für maschinelles Lernen zu einem sofortigen Treffer wurde, ist seine einfache Sprache, die eine willkommene Abkehr von steifen akademischen Papieren ist. Wir empfehlen dieses Buch Software -Ingenieuren, die glauben, dass sie verfügbare Tools für maschinelles Lernen verwenden könnten, aber nicht wissen, wo Sie beginnen sollen. Trotzdem kann das Buch von jedem genossen werden, der sich für maschinelles Lernen interessiert, weil es Konzepte über Code betont.
Einführung in maschinelles Lernen mit Python: Ein Leitfaden für Datenwissenschaftler von Andreas C. Müller und Sarah Guido
Verfügbar: bei Amazon
Veröffentlicht: 2016
Seitenzahl: 400
Wenn Sie Python fließend sprechen und mit dem maschinellen Lernen beginnen möchten, indem Sie praktische Lösungen für echte Probleme erstellen, ist dies das richtige Buch für Sie. Nein, Sie werden nicht zu viel Theorie lernen, aber alle grundlegenden Konzepte sind gut behandelt, und es gibt viele andere Bücher, die den Rest abdecken. Um mit Python das Beste aus der Einführung in maschinelles Lernen herauszuholen, sollten Sie zumindest mit den Numpy- und Matplotlib -Bibliotheken vertraut sein.
Angewandte Vorhersagemodellierung von Max Kuhn und Kjell Johnson
Verfügbar: bei Amazon
Veröffentlicht: 1. Aufl. 2013, Corr. 2. Druck 2018
Seitenzahl: 613
Dieses Lehrbuch bietet eine Einführung in Prädiktive Modelle, die Daten und Statistiken verwenden, um die Ergebnisse mit Datenmodellen vorherzusagen. Es beginnt mit der Datenverarbeitung und setzt sich mit modernen Regressions- und Klassifizierungstechniken fort und betont immer reale Datenprobleme. Sie können dank des bereitgestellten R -Code.
Tiefeslernen mit Python von François Chollet
Verfügbar: bei Amazon
Veröffentlicht: 2017
Seitenzahl: 384
Möglicherweise sind Sie bereits mit dem Autor dieses Lehrbuchs für maschinelles Lernen vertraut. Angesichts dieser Informationen und des Titels des Lehrbuchs sollte es Sie nicht überraschen, zu erfahren, dass es der beste Keras -Crash -Kurs ist. Praktische Techniken werden über die Theorie priorisiert, aber das bedeutet nur, dass Sie in nur wenigen Wochen ausgefeilte maschinelle Lernaufgaben lösen können.
Maschinelles Lernen von Tom M. Mitchell
Verfügbar: bei Amazon
Veröffentlicht: 1997
Seitenzahl: 414
In diesem Buch wurde 1997 veröffentlicht und führt alle Arten von Algorithmen für maschinelles Lernen in einer Sprache vor. Alle CS -Absolventen sollten in der Lage sein, verstehen zu können. Wenn Sie die Art von Person sind, die ein breites Verständnis für ein bestimmtes Thema haben muss, bevor Sie sich wohl fühlen, werden Sie es lieben, wie die Informationen in diesem Buch präsentiert werden. Erwarten Sie einfach nicht maschinelles Lernen von Tom M. Mitchell ist ein praktischer Leitfaden, denn das soll dieses Buch nicht sein.
Anwendungen für maschinelles Lernen bauen: Gehen Sie von der Idee zum Produkt von Emmanuel Ameisen
Verfügbar: bei Amazon
Veröffentlicht: 2020
Seitenzahl: 260
Es ist eine Sache, maschinelle Lernmodelle zu verstehen, und es ist etwas anderes, um zu wissen, wie man sie zur Produktion bringt. Dieses relativ schlanke Buch von Emmanuel Ameisen erklärt genau das und führt Sie durch jeden Schritt des Prozesses, von der ursprünglichen Idee bis zum bereitgestellten Produkt. Bauen von Anwendungen für maschinelles Lernen können an angehende Datenwissenschaftler und ML -Ingenieure empfohlen werden, die die Theorie gemeistert haben, sie aber noch in der Branche anwenden müssen.
Verstärkungslernen: Eine Einführung (2. Ausgabe) von Richard S. Sutton, Andrew G. Barto
Verfügbar: bei Amazon
Veröffentlicht: 2018
Seitenzahl: 552
Das Verstärkungslernen ist ein Bereich des maschinellen Lernens, der sich mit der Ausbildung von Modellen für maschinelles Lernen befasst, um Maßnahmen in einer komplexen, unsicheren Umgebung zu ergreifen, um die Gesamtzahl der erhaltenen Belohnungen zu maximieren. Wenn dies für Sie interessant klingt, zögern Sie nicht, dieses Buch zu kaufen, da es allgemein als Bibel des Themas angesehen wird. Die zweite Ausgabe enthält viele wichtige strukturelle und inhaltliche Änderungen. Holen Sie sich also nach Möglichkeit, wenn möglich.
Lernen aus Daten von Yaser s. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Verfügbar: bei Amazon
Veröffentlicht: 2012
Seitenzahl: 213
Das Lernen aus Daten ist eine kurze, aber relativ vollständig. Das Buch basiert auf mehr als einem Jahrzehnt Unterrichtsmaterial, das die Autoren zu einer Auswahl von Kernthemen destilliert haben, die jeder, das an diesem Thema interessiert ist, verstehen sollte. Es ist großartig für Anfänger, die nicht viel Zeit haben, um die Theorie des maschinellen Lernens zu studieren, insbesondere wenn Sie zusammen mit Yasers Vorlesungsreihe auf YouTube gelesen werden.
Neuronale Netze und tiefes Lernen: Ein Lehrbuch von Charu C. Aggarwal
Verfügbar: bei Amazon
Veröffentlicht: 2018
Seitenzahl: 497
Neuronale Netzwerke sind eine Möglichkeit, maschinelles Lernen zu machen, und dieses Lehrbuch kann Ihnen helfen, die Theorie dahinter zu verstehen. Genau wie maschinelles Lernen im Allgemeinen, dieses Buch mathematisch intensiv, erwarten Sie also nicht, dass Sie zu weit kommen, wenn Ihre Mathematik rostig ist. Der Autor erklärt jedoch hervorragende Arbeit, um die Mathematik hinter allen Beispielen zu erklären und den Leser durch verschiedene komplizierte Szenarien zu führen.
Maschinelles Lernen für absolute Anfänger: Eine einfache englische Einführung (2nd Ausgabe) von Oliver Theobald
Verfügbar: bei Amazon
Veröffentlicht: 2017
Seitenzahl: 157
Wenn Sie ein Interesse am maschinellen Lernen haben, sich aber nicht unbedingt wohl fühlen, wenn Sie lange Lehrbücher zu diesem Thema lesen, bevorzugen Sie dieses anfängerfreundliche Buch, das eine praktische und hochrangige Einführung in die Maschinensprache mit einfachem Englisch bietet. Am Ende dieses Buches wissen Sie, wie Sie Hauswerte mithilfe Ihres ersten in Python erstellten maschinellen Lernmodells vorhersagen können.
Generatives Deep Learning: Maschinen zum Malen, Schreiben, Komponieren und Spielen von David Foster unterrichten
Verfügbar: bei Amazon
Veröffentlicht: 2019
Seitenzahl: 330
Es wurde viel über generative kontroverse Netzwerke (Gans) geschrieben und gesagt, eines der heißesten Themen im Bereich des maschinellen Lernens heute. Wenn Sie verstehen möchten, wie sie und andere generative Deep -Learning -Modelle unter der Haube arbeiten, ist dieses Buch von David Foster ein guter Ausgangspunkt, solange Sie Erfahrung in Python haben, solange Sie Erfahrung in Python haben.