Share it with your network.
„Was wir wollen, ist eine Maschine, die aus Erfahrung lernen kann.„
Allan Turing
Es besteht kein Zweifel, dass maschinelles Lernen heutzutage zu einem der beliebtesten Themen geworden ist. Laut einem studieren, Machine Learning Engineer, wurde 2019 zu einem der besten Jobs in den USA gewählt.
Angesichts dieses Trends haben wir eine Liste der besten (und kostenlosen) Bücher über maschinelles Lernen zusammengestellt, die sich für alle als hilfreich erweisen werden, die eine Karriere in diesem Bereich anstreben.
Viel Spaß!
1. ISLR
Bestes Einführungsbuch in die Theorie des maschinellen Lernens. Selbst bezahlte Bücher sind selten besser. Eine gute Einführung in die Mathematik und enthält auch Übungsmaterial in R. Ich kann dieses Buch nicht genug loben.
2. Neuronale Netze und Deep Learning
Dieses kostenlose Online-Buch ist eine der besten und schnellsten Einführungen in Deep Learning, die es gibt. Die Lektüre dauert nur wenige Tage und vermittelt Ihnen alle Grundlagen rund um Deep Learning.
3. Mustererkennung und maschinelles Lernen
Es ist eines der bekanntesten theoretischen Bücher über maschinelles Lernen, sodass Sie kein großes Intro schreiben müssen.
4. Deep-Learning-Buch
Dieses Buch ist die Bibel des Deep Learning und eine Einführung in Deep-Learning-Algorithmen und -Methoden, die sowohl für Anfänger als auch für Praktiker nützlich ist.
5. Maschinelles Lernen verstehen: Aus der Theorie zu Algorithmen
Wirklich gute Abhandlung über die Theorie des maschinellen Lernens.
6. Sieben Schritte zum Erfolg: Maschinelles Lernen in der Praxis
Produktmanager ohne technischen Hintergrund und Softwareingenieure ohne maschinelles Lernen, die in das Feld einsteigen, sollten dieses Tutorial nicht verpassen. Sehr gut geschrieben (Etwas alt und behandelt Deep Learning nicht, funktioniert aber für alle praktischen Zwecke).
7. Regeln des maschinellen Lernens: Bewährte Methoden für maschinelles Lernen
Sie fragen sich, wie Google über seine Produkte für maschinelles Lernen denkt? Dies ist ein wirklich gutes Tutorial zum Produktmanagement für maschinelles Lernen.
8. Eine kurze Einführung in maschinelles Lernen für Ingenieure
Monolog, der fast alle Techniken des maschinellen Lernens abdeckt. Leichter zu verstehende Mathematik (für Leute, die Angst vor schwierigen mathematischen Notationen haben).
9. Kurze Einführung in maschinelles Lernen ohne Deep Learning
Monolog, der fast alle Techniken des maschinellen Lernens abdeckt. Leichter zu verstehende Mathematik (für Leute, die Angst vor schwierigen mathematischen Notationen haben).
10. Einführende Hinweise zum maschinellen Lernen
Leitfaden für maschinelles Lernen für absolute Anfänger.
11. Grundlagen des maschinellen Lernens
Eine ausführliche Abhandlung über mathematische Konzepte des maschinellen Lernens.
12. Eine Einführung in die Variablen- und Merkmalsauswahl
Feature Engineering und Variablenauswahl sind wahrscheinlich die wichtigsten menschlichen Eingaben in traditionellen Algorithmen für maschinelles Lernen. (Bei Deep-Learning-Methoden nicht so wichtig, aber nicht alles wird mit Deep Learning gelöst). Dieses Tutorial bietet eine Einführung in verschiedene Feature-Engineering-Methoden.
13. AutoML-Buch - Frank Hutter, Lars Kotthoff, Joaquin Vanschoren
Traditionelles maschinelles Lernen hat sich in den letzten Tagen wirklich darauf reduziert, AutoML-Modelle (h2o, auto sklearn oder tpot, unser Favorit bei ParallelDots) auszuführen, sobald Sie mit dem Feature-Engineering fertig sind. (Tatsächlich gibt es auch ein paar Methoden, um automatisiertes, nicht domänenspezifisches automatisches Feature-Engineering durchzuführen). Dieses Buch behandelt die in AutoML verwendeten Methoden.
14. Deep Learning mit Pytorch
Ein kostenloses Buch, das Ihnen hilft, Deep Learning mit PyTorch zu lernen. PyTorch ist unsere bevorzugte Deep-Learning-Bibliothek bei ParallelDots und wir empfehlen sie allen, die angewandte Forschung/Entwicklung im Bereich Deep Learning betreiben.
15. Tauchen Sie ein in Deep Learning
Ein weiteres ausführliches Buch über Deep Learning, das die MXNet-Bibliothek von Amazon verwendet, um Deep Learning zu vermitteln.
16. Kerasbook Github-Notizbücher
Francois Chollet ist der Leiter der Keras-Bibliothek. Sein Buch „Deep Learning in Python“, das geschrieben wurde, um Deep Learning in Keras zu vermitteln, wird sehr gut bewertet. Das Buch ist nicht kostenlos erhältlich, aber der gesamte Code ist auf Github in Form von Notizbüchern verfügbar (es bildet ein Buch mit Deep-Learning-Beispielen) und ist eine gute Ressource. Ich habe es gelesen, als ich vor ein paar Jahren Keras gelernt habe, eine sehr gute Ressource.
17. Modellbasiertes maschinelles Lernen
Eine hervorragende Ressource für Bayesian Machine Learning. Verwendet die Infer.Net-Bibliothek von Microsoft für den Unterricht, sodass Sie möglicherweise IronPython installieren müssen, um die Beispiele des Buches lesen/implementieren zu können.
18. Bayessche Modelle für maschinelles Lernen
Ein weiteres Buch, das verschiedene Bayessche Methoden im maschinellen Lernen beschreibt.
19. Eisenstein NLP-Notizen
Natural Language Processing ist die beliebteste Anwendung des maschinellen Lernens. Diese Hinweise aus einem GaTech-Kurs bieten einen wirklich guten Überblick darüber, wie maschinelles Lernen zur Interpretation der menschlichen Sprache eingesetzt wird.
20. Verstärktes Lernen - Sutton und Barto
Die Bibel des Reinforcement Learning. Dies ist ein Muss für jeden, der in den Bereich des Verstärkungslernens einsteigt.
21. Gaußsche Verfahren für maschinelles Lernen
Unterrichtet die Verwendung von Bayesscher Optimierung und Gaußschen Prozessen für maschinelles Lernen. Mit auf Variationsinferenz basierenden Bibliotheken wie Edward/GPYTorch/Botorch usw. erlebt diese Methode ein Comeback.
22. Interviews zum maschinellen Lernen | Systemdesign für maschinelles Lernen | Chip Huyen
Sie suchen ein Vorstellungsgespräch für einen Job im Bereich maschinelles Lernen? Diese Fragen könnten hilfreich sein, um eine Strategie zu finden und gleichzeitig Probleme mit Systemen des maschinellen Lernens zu beantworten.
23. Algorithmische Aspekte des maschinellen Lernens
Dieses Buch befasst sich mit den Teilen des maschinellen Lernens, die sich mit Rechenalgorithmen und numerischen Lösungsmethoden wie Faktorisierungsmodellen, Wörterbuchlernen und Gaußschen Modellen befassen.
24. Kausalität für maschinelles Lernen
Angesichts der Tatsache, dass die Kausalität in den Bereichen der Datenwissenschaft Einzug hält, ist auch maschinelles Lernen nicht frei von der Diskussion. Obwohl kein detailliertes Material zu diesem Thema verfügbar ist, finden Sie hier ein kurzes Tutorial, das versucht, die wichtigsten Konzepte der Kausalität für maschinelles Lernen zu erklären.
Fanden Sie den Blog nützlich? Lesen Sie unsere anderen Blog um alles über die besten Bücher zu erfahren, die Ihnen helfen, sich als Datenwissenschaftler auszuzeichnen.
.jpg)