Подборка книг на тему введения в машинное обучение!

Почему же Сири, Алекса и Алиса не хотят нас понимать, Google находит не то, что мы ищем, а машинные переводчики веселят нас примерами «трудностей перевода» с китайского на албанский? Ответ кроется в мелочах – в алгоритмах, которые правильно работают в теории, но сложно реализуются на практике.

Книги в этой подборке предоставляют ответы на эти и другие вопросы, служа ориентиром для прикладного курса машинного обучения.

https://disk.yandex.ru/d/0_CdGagd6-3WdQ

Вашему вниманию предлагается

1. «Введение в машинное обучение» Мюллер, Гвидо.

Эта книга является переводом популярного англоязычного учебника по машинному обучению, использующего библиотеку scikit-learn для Python. Она охватывает широкий спектр тем, таких как обработка данных, контролируемое и неконтролируемое обучение, оценка моделей, выбор признаков, регуляризация, анализ текстов, изображений и временных рядов. Книга также содержит много практических советов и лучших практик для работы с данными и моделями.

2. «Python для сложных задач: наука о данных и машинное обучение» Вандер Плас.

Книга «Python Data Science Handbook» - это подробное руководство по самым разным вычислительным и статистическим методам, без которых немыслима любая интенсивная обработка данных, научные исследования и передовые разработки. Читатели, уже имеющие опыт программирования и желающие эффективно использовать Python в сфере Data Science, найдут в этой книге ответы на всевозможные вопросы, например:

1) как мне считать этот формат данных в мой скрипт?

2) Как преобразовать, очистить эти данные и манипулировать ими?

3) Как визуализировать данные такого типа? Как при помощи этих данных разобраться в ситуации, получить ответы на вопросы, построить статистические модели или реализовать машинное обучение?

3. «Машинное обучение с использованием Python. Сборник рецептов» Крис Элбон

Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-leam. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.

Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и к ближайших соседей; опорновекторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

4. «Python и машинное обучение»

Себастьян Рашка

Машинное обучение и прогнозная аналитика преобразуют традиционную схему функционирования предприятий и других организаций. Эта книга предоставит вам доступ в мир прогнозной аналитики и продемонстрирует, почему Python является одним из ведущих языков науки о данных. Если вы хотите глубже и точнее анализировать данные либо нуждаетесь в усовершенствовании и расширении систем машинного обучения, эта книга окажет вам неоценимую помощь. Ознакомившись с широким кругом мощных программных библиотек Python, в том числе scikit-learn, Theano и Keras, а также получив советы по всем вопросам начиная с анализа мнений и заканчивая нейронными сетями, вы сможете принять важные решения, во многом определяющие деятельность вашей организации.

Чему вы научитесь, прочитав эту книгу:

- исследовать, как используются разные машинно-обучаемые модели, которые формулируют те или иные вопросы в отношении данных;

- конструировать нейронные сети при помощи библиотек Theano и Keras;

- писать красивый и лаконичный программный код на Python с оптимальным использованием созданных вами алгоритмов;

- встраивать вашу машинно-обучаемую модель в веб-приложение для повышения ее общедоступности;

- предсказывать непрерывнозначные результаты при помощи регрессионного анализа;

- обнаруживать скрытые повторяющиеся образы и структуры в данных посредством кластерного анализа;

- организовывать данные с помощью эффективных методов предобработки и использовать передовые практические подходы к оценке машиннообучаемых моделей;

- осуществлять анализ мнений, позволяющий подробнее интерпретировать текстовые данные и информацию из социальных сетей.

5. Воронина В.В. и др. «Теория и практика машинного обучения»

Учебное пособие рассматривает вопросы, связанные с анализом данных: модели, алгоритмы, методы и их реализацию на языке Python. Особое внимание уделено анализу временных рядов. Книга предназначена для студентов изучающих дисциплины, связанные с разработкой приложений в области анализа данных, в том числе TimeSeriesDataMinig и DataMining.

6. «Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка» Бенджамин Бенгфорт, Ребекка Билбро, Тони Охеда

Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в реальную жизнь, и анализ текста активно интегрируется в программные решения. Нейронные сети способны решать самые сложные задачи обработки естественного языка, никого не удивляет машинный перевод, «беседа» с роботом в интернет-магазине, перефразирование, ответы на вопросы и поддержание диалога.

Научитесь применять методы машинного обучения для анализа текста в реальных задачах, используя возможности и библиотеки Python. От поиска модели и предварительной обработки данных вы перейдете к приемам классификации и кластеризации текстов, затем приступите к визуальной интерпретации, анализу графов, а после знакомства с приемами масштабирования научитесь использовать глубокое обучение для анализа текста.

7. «Машинное обучение: карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python» Мэтт Харрисон

В книгу Машинное обучение: карманный справочник, включены подробные примеры и комментарии, которые помогут вам оперативно ориентироваться в основах структурированного машинного обучения(МО). Автор, Мэтт Харрисон, предлагает ценный справочник, который вы можете использовать как дополнительное пособие при обучении МО и в качестве удобного ресурса, когда погружаетесь в ваш следующий проект машинного обучения. Приведенные фрагменты кода имеют такой размер, чтобы их можно было использовать и адаптировать в ваших собственных проектах МО. Книга, идеально подходящая для программистов, аналитиков данных и инженеров искусственного интеллекта, содержит обзор процесса машинного обучения и знакомит вас с классификацией структурированных данных. В книге рассматриваются рзличные библиотеки и модели, их компромиссы, настройка и интерпретация. Кроме всего прочего вы изучите методы кластеризации, регрессии и уменьшения размерности.

Основные темы книги

- Классификация с использованием набора данных Titanic

- Как очистить данные и справиться с их недостатком

- Разведочный анализ данных

- Общие этапы предварительной обработки с использованием выборки данных

- Выбор признаков, полезных для модели

- Выбор модели

- Оценка метрики и классификации

- Примеры регрессии с использованием нескольких методов машинного обучения

- Метрики для оценки регрессии

- Кластеризация

- Уменьшение размерности

- Конвейеры Scikit-learn

- При использовании этой книги предполагается знание языка программирования Python. Автор использует ее в качестве справочного материала для курсов по анализу данных и машинному обучению, который он преподает.

Автор книги Мэтт Харрисон считает, что его книга — лучший сборник ресурсов и примеров для решения задач прогнозного моделирования, если у вас есть структурированные данные.

Посты Ёжика на смежные темы:

Байесовские методы и вероятностное программирование

https://vk.com/wall-186208863_19057

Вероятностный анализ данных и вероятностные алгоритмы

https://vk.com/wall-186208863_25020

Подборка книг, журналов и блогов на тему машинного обучения

https://vk.com/wall-186208863_17428

Источник: disk.yandex.ru

Комментарии: