Phenquestions
Тада не чуди да толико људи размишља о уласку у фасцинантан свет рачунарских алгоритама који се аутоматски побољшавају искуством. Ако сте међу њима - или ако само желите да погледате мимо хипе и схватите шта је заправо машинско учење - наш избор најбољих 20 најбољих уџбеника за машинско учење може вам помоћи да постигнете своје циљеве.
Вештачка интелигенција: савремени приступ (4. издање) Петер Норвиг и Стуарт Ј. Русселл
Доступан: на Амазону
Објављено: 2020
Број страница: 1136
Одлука са којим уџбеником за машинско учење треба започети није била тешка, јер вештачка интелигенција: савремени приступ студентима препоручују универзитети широм света. Сада у својој 4тх издање, књига фантастично ради на томе што почетнике упознаје са подручјем вештачке интелигенције (машинско учење је подврста уметничке интелигенције), а такође покрива широк спектар сродних истраживачких тема, пружајући корисне референце за даља проучавања. Према ауторима овог великог уџбеника требало би да траје око два семестра, па немојте очекивати да ће бити на брзину.
Препознавање образаца и машинско учење Цхристопхер М. Владико
Доступан: на Амазону
Објављено: 2011
Број страница: 738
Можете размишљати о препознавању образаца и машинском учењу Цхристопхера М. Бискуп као благи (барем што се тиче уџбеника машинског учења) уводни курс из теорије машинског учења. Уџбеник укључује преко 400 вежби које се оцењују према тежини, а много више додатног материјала доступно је на његовој веб страници. Само немојте очекивати да ћете знати како применити теорију коју уџбеник учи када дођете до његове последње странице - за то постоје друге књиге.
Дубоко учење Гоодфеллов ет. ал
Доступан: на Амазону
Објављено: 2016
Број страница: 800
Ако бисте од Елона Муска тражили да вам препоручи књигу о машинском учењу, препоручио би вам ову. Једном каже да је дубоко учење једина комплетна књига на ову тему. Књига покрива све, од математичке и концептуалне позадине до водећих техника дубоког учења и најновијих перспектива истраживања. Препоручујемо вам да набавите електронску верзију јер је дубоко учење срамотно због лошег квалитета штампе.
Елементи статистичког учења: вађење података, закључивање и предвиђање, друго издање Хастие, Тибсхирани и Фриедман
Доступан: на Амазону
Објављено: 2016
Број страница: 767
Не дозволите да вас наслов овог уџбеника застраши. Ако желите истински да разумете машинско учење и примените га на решавање тешких проблема, треба да се навикнете на читање уџбеника који вам се не чине баш приступачним. Иако уџбеник има одлучујући статистички приступ, не морате бити статистичар да бисте га читали, јер наглашава концепте, а не математику.
Практично машинско учење са Сцикит-Леарн-ом, Керас-ом и ТенсорФлов-ом: концепти, алати и технике за изградњу интелигентних система (2нд Издање) Аурелиен Герон
Доступан: на Амазону
Објављено: 2019
Број страница: 856
Сцикит-Леарн, Керас и ТенсорФлов су три популарне библиотеке за машинско учење, а овај уџбеник се фокусира на то како се могу користити за стварање програма машинског учења који решавају стварне проблеме. Захваљујући природи ових библиотека погодној за почетнике, за читање овог уџбеника потребно је минимално теоријско знање, што га чини сјајним за оне који желе да стекну интуитивно разумевање машинског учења градећи нешто корисно.
Разумевање машинског учења: од теорије до алгоритама, Схаи Схалев-Схвартз и Схаи Бен-Давид
Доступан: на Амазону
Објављено: 2014
Број страница: 410
Много је уџбеника о машинском учењу тешко проћи јер њихови аутори нису у стању да се ставе на место некога ко је тек на том пољу, али не и овог. Разумевање машинског учења започиње јасним увођењем у статистичко машинско учење. Тада теоријске концепте повезује са практичним алгоритмима, а да притом није ни превише речљив ни превише нејасан. Без обзира желите ли да освежите своје знање или кренете на животно путовање у индустрији, не устручавајте се да узмете овај уџбеник.
Машинско учење: Пробабилистичка перспектива, Кевин П. Мурпхи
Доступан: на Амазону
Објављено: 2012
Број страница: 1104
Као што наслов ове књиге сугерише, овај увод у машинско учење ослања се на пробабилистичке моделе за откривање образаца у подацима и њихово коришћење за предвиђање будућих података. Књига је написана у пријатном, неформалном стилу и сјајно користи илустрације и практичне примере. Модели које описује имплементирани су помоћу Пробабилистиц Моделк Тоолкит-а, који је МАТЛАБ софтверски пакет који можете преузети са Интернета. Нажалост, приручник више није подржан јер ће нова верзија ове књиге уместо њега користити Питхон.
Теорија информација, закључивање и алгоритми учења Давид Ј. Ц. МацКаи
Доступан: на Амазону
Објављено: 2003
Број страница: 640
Да, овај уџбеник је објављен пре скоро 20 година, али то га не чини мање релевантним данас. На крају, машинско учење није ни приближно толико младо као што би могло да сугерише недавна помпа око њега. Шта чини Теорију информација, закључивање и алгоритме учења Дејвида Џ. Ц. МацКаи је тако безвременски његов мултидисциплинарни приступ који пружа обилне везе између различитих поља. Само по себи није много корисно јер нема довољно практичних примера, али одлично функционише као уводни уџбеник.
Увод у статистичко учење: са апликацијама у Р, аутор Гаретх М. Јамес, Тревор Хастие, Даниела Виттен и Роберт Тибсхирани
Доступан: на Амазону
Објављено: 2013
Број страница: 440
Увод у статистичко учење можете замислити као приступачнију алтернативу елементима статистичког учења, који захтева напредно знање математичке статистике. Да бисте завршили овај уџбеник, требало би да будете сасвим у реду са дипломом математике или статистике. На својих 440 страница, аутори пружају преглед подручја статистичког учења и представљају важне технике моделирања и предвиђања, заједно са њиховим апликацијама.
Књига о машинском учењу на стотине страница, аутор Андрии Бурков
Доступан: на Амазону
Објављено: 2019
Број страница: 160
Док је већина уџбеника наведених у овом чланку ближа хиљаду страница, ова танка књига, која је започела као изазов на ЛинкедИну, објашњава много тога на стотинак страница. Један од разлога зашто је Књига о машинском учењу на стотине страница постала хит одмах је њен обичан језик, што је добродошло одступање од крутих академских радова. Ову књигу препоручујемо софтверским инжењерима који верују да би могли да користе расположиве алате за машинско учење, али не знају одакле да почну. Упркос томе, у књизи може уживати свако ко је заинтересован за машинско учење јер наглашава концепте у односу на код.
Увод у машинско учење са Питхоном: Водич за научнике података Андреас Ц. Муллер и Сарах Гуидо
Доступан: на Амазону
Објављено: 2016
Број страница: 400
Ако течно говорите Питхон и желите да започнете машинско учење градећи практична решења за стварне проблеме, ово је права књига за вас. Не, нећете научити превише теорије, али сви основни појмови су добро покривени, а постоје и многе друге књиге које покривају остало. Да бисте извукли максимум из Увода у машинско учење са Питхоном, требало би да сте барем мало упознати са библиотекама НумПи и матплотлиб.
Примењено предиктивно моделирање, Мак Кухн и Кјелл Јохнсон
Доступан: на Амазону
Објављено: 1. изд. 2013, испр. 2. штампање 2018
Број страница: 613
Овај уџбеник пружа увод у предиктивне моделе који користе податке и статистику за предвиђање исхода помоћу модела података. Почиње са обрадом података, а наставља се савременим техникама регресије и класификације, увек истичући стварне проблеме са подацима. Све моделе објашњене у књизи можете лако применити захваљујући приложеном Р коду, који тачно показује шта треба да урадите да бисте на крају добили исправно решење.
Дубоко учење са Питхоном, Францоис Цхоллет
Доступан: на Амазону
Објављено: 2017
Број страница: 384
Можда сте већ упознати с аутором овог уџбеника за машинско учење јер је одговоран за библиотеку неуронских мрежа отвореног кода под називом Керас, вероватно најпопуларнију библиотеку за машинско учење написану на Питхону. С обзиром на ове информације и наслов уџбеника, не би требало да вас изненади када сазнате да је то најбољи доступан Керасов курс. Практичне технике су приоритет изнад теорије, али то само значи да софистициране задатке машинског учења можете решити за само неколико недеља.
Машинско учење Том М. Митцхелл
Доступан: на Амазону
Објављено: 1997
Број страница: 414
Објављена 1997. године, ова књига представља све врсте алгоритама машинског учења на језику који сви дипломци ЦС-а треба да буду у стању да разумеју. Ако сте тип особе која треба широко да разуме одређену тему пре него што се осећате угодно ронити дубоко у њу, свидеће вам се како су представљени подаци у овој књизи. Само не очекујте машинско учење од Тома М. Митцхелл-у да буде практични водич, јер то не би требало да буде ова књига.
Изградња апликација заснованих на машинском учењу: прелазак од идеје до производа Еммануел Амеисен
Доступан: на Амазону
Објављено: 2020
Број страница: 260
Једно је разумети моделе машинског учења, а нешто сасвим друго је знати како их довести у производњу. Ова релативно танка књига Еммануела Амеисена објашњава управо то, проводећи вас кроз сваки корак процеса, од почетне идеје до примењеног производа. Изградња апликација заснованих на машинском учењу може се препоручити почетним научницима података и инжењерима МЛ који су савладали теорију, али је тек треба применити у индустрији.
Појачање учења: Увод (друго издање), Рицхард С. Суттон, Андрев Г. Барто
Доступан: на Амазону
Објављено: 2018
Број страница: 552
Појачано учење је подручје машинског учења које се бави обуком модела машинског учења за предузимање радњи у сложеном, неизвесном окружењу како би се максимализовао укупан износ примљене награде. Ако вам ово звучи занимљиво, немојте се устручавати да купите ову књигу, јер се сматра да је то Библија. Друго издање укључује многе важне структурне и садржајне промене, па га узмите ако је могуће.
Учење из података Иасер С. Абу-Мостафа, Малик Магдон-Исмаил, Хсуан-Тиен Лин.
Доступан: на Амазону
Објављено: 2012
Број страница: 213
Учење из података је кратак, али релативно потпун увод у машинско учење и његове практичне примене у финансијама, трговини, науци и инжењерству. Књига је заснована на више од једне деценије наставног материјала, који су аутори издвојили до избора основних тема које би сви заинтересовани за ту тему требало да разумеју. Одличан је за почетнике који немају пуно времена за проучавање теорије машинског учења, посебно ако их читају заједно са Иасеровим серијалом предавања на ИоуТубе-у.
Неуронске мреже и дубоко учење: уџбеник Цхару Ц. Аггарвал
Доступан: на Амазону
Објављено: 2018
Број страница: 497
Неуронске мреже су један од начина машинског учења и овај уџбеник вам може помоћи да разумете теорију која стоји иза њих. Баш као и машинско учење уопште, ова књига је математички интензивна, зато не очекујте да ћете предалеко доћи ако вам је математика зарђала. Упркос томе, аутор сјајно ради објашњавајући математику иза свих пружених примера и проводећи читаоца кроз разне замршене сценарије.
Машинско учење за апсолутне почетнике: обичан увод у енглески језик (2нд Издање) Оливера Тхеобалда
Доступан: на Амазону
Објављено: 2017
Број страница: 157
Ако вас занима машинско учење, али вам није неопходно да вам је угодно читати дугачке уџбенике о тој теми, можда бисте више волели ову књигу погодну за почетнике, која пружа практично и високо упознавање са машинским језиком на обичном енглеском језику. На крају ове књиге знаћете како да предвиђате вредности куће користећи свој први модел машинског учења створен у Питхону.
Генеративно дубоко учење: подучавање машина за сликање, писање, компоновање и игру, аутор Давид Фостер
Доступан: на Амазону
Објављено: 2019
Број страница: 330
Пуно је написано и речено о генеративним контрадикторним мрежама (ГАН), једној од најврућих тема на пољу машинског учења данас. Ако желите да разумете како они и други генеративни модели дубоког учења раде испод хаубе, ова књига Дејвида Фостера сјајна је полазна основа, све док имате искуства са кодирањем на Питхону.
