V računalništvu je tako zanimivih ali zastrašujočih predmetov, kot je strojno učenje, malo. Sprijaznimo se s tem, da strojnega učenja ne morete obvladati ob koncu tedna in vsaj zahteva dobro razumevanje osnovnih matematičnih načel.
Če imate matematične odlomke, boste želeli povečati uporabo okvirov strojnega učenja (med katerimi lahko izbirate) z dobrim razumevanjem teorije, ki stoji za njimi.
Tu je pet visokokakovostnih besedil, ki jih je mogoče preprosto prebrati, ki nudijo uvod in razlage o podrobnostih strojnega učenja. Nekateri imajo primere kode, vendar se večina osredotoča na formule in teorijo; načeloma jih je mogoče uporabiti za poljubno število jezikov, okvirov ali težav.
Tečaj strojnega učenja
Bistvo:Zelo berljivo besedilo, zasnovano tako, da ponuja izjemno prijazen pristop k temi. Knjiga je v teku - nekateri oddelki so še vedno označeni z TODO - toda tisto, kar ji primanjkuje popolnosti, sestavlja popolna dostopnost.
Ciljna publika:Vsak, ki dobro razume račun, verjetnost in linearno algebro. Zahteva se nobeno znanje v katerem koli določenem jeziku.
Vsebina kode:Nekaj psevdokod; večina predstavljenega so koncepti in formule.
Elementi statističnega učenja
Bistvo: Besedilo z več kot 500 stranmi, ki zajema tisto, kar avtorji opisujejo kot "učenje iz podatkov", procese uporabe statističnih podatkov, ki so podlaga za strojno učenje. Od leta 2001 je z dobrim razlogom doživel dve izdaji in 10 tiskov - pokriva ogromno ozemlje in ni omejen na nobeno področje.
Ciljna publika:Tisti, ki že imajo dobre temelje v matematiki in statistiki in ne potrebujejo veliko roke, da bi svoje matematične spretnosti prenesli v dobro kodo.
Vsebina kode:Nobenega. To ni besedilo za razvoj programske opreme; tu gre za temeljne koncepte strojnega učenja.
Omenjeno v tem članku
- Tečaj strojnega učenja Več o Hal Daumé III
- Elementi statističnega učenja, 2. izd. Več o Univerzi Stanford
- Bayesovsko razmišljanje in strojno učenje Preberite več o Davidu Barberju
- Gaussovi procesi za strojno učenje Več o Gaussovih procesih za strojno učenje ...
- Strojno učenje Več o InTech
Bayesov obrazložitev in strojno učenje
Bistvo: Bayesove metode so v ozadju vsega, od filtrov za neželeno pošto do prepoznavanja vzorcev, zato predstavljajo glavno področje študija mavenov za strojno učenje. To besedilo opisuje vse glavne vidike Bayesove statistike in njihovo uporabo v običajnih scenarijih strojnega učenja.
Ciljna publika:Vsak, ki dobro razume račun, verjetnost in linearno algebro.
Vsebina kode: Veliko! Vsako poglavje vsebuje tako psevdokodo kot povezave do nabora dejanskih predstavitev kode. Kljub temu koda ni v Pythonu ali R, ampak je koda za komercialno okolje MATLAB, čeprav lahko GNU Octave deluje kot odprtokodni nadomestek.
Gaussovi procesi za strojno učenje
Bistvo:Gaussovi procesi so del družine analiz, ki jih uporabljajo Bayesove metode. To besedilo se osredotoča na to, kako lahko Gaussove koncepte uporabimo v običajnih metodah strojnega učenja, kot so klasifikacija, regresija in modeliranje.
Ciljna publika:Približno enako kot "Bayesov obrazložitev in strojno učenje."
Vsebina kode:Večina kode, predstavljene v knjigi, je pesudocode, toda tako kot "Bayesov obrazložitev in strojno učenje", dodatki vključujejo primere za MATLAB / Octave.
Strojno učenje
Bistvo: Zbirka esejev o različnih in zelo specifičnih vidikih strojnega učenja. Nekateri so bolj splošni in filozofski; drugi so osredotočeni na specifične problemske domene, na primer "Metode strojnega učenja za simulacijo in optimizacijo govorjenega dialoga."
Ciljna publika:Namenjen tako laičnim bralcem kot tudi tehnično bolj nagnjenim.
Vsebina kode:Tako rekoč nobene, čeprav je formul na pretek. Preberite za okus.
