Учебник по machine learning от школы анализа данных

Обновлено: 03.07.2024

таким образом у вас сформируется более четкое понимание предметной области машинного обучения и сильно расширит ваш кругозор. Нейронные сети занимают важную позицию в машинном обучении, поэтому стоит ознакомится с книгой

Так же вы должны уметь производить предварительный анализ данных, что бы понять, какие методы машинного обучения можно применить к вашему набору данных или как его лучше подготовить, в этом вам помогут следующие книги:

Борис Миркин Введение в анализ данных. Учебник и практикум источник

Марина Архипова, Татьяна Дуброва Анализ данных. Учебник источник

Загоруйко Н.Г. Прикладные методы анализа данных и знаний источник

Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия источник

Рубан А.И. Методы анализа данных

Уэс Маккинни Python и анализ данных источник (практика)

Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R источник (практика)

Вы должны знать хорошо математику (в особенности линейную алгебру), статистику, теорию вероятностей, дискретную математику. Я например неважно знаю математику и мне очень тяжело читать стандартные учебники, рассчитанные на то, что преподаватель сможет разжевать скупое описание формулы, поэтому для легкого порога вхождения рекомендую следующие книги (от основ и выше):

Стивен Х. Строгац Удовольствие от x. Увлекательная экскурсия в мир математики от одного из лучших преподавателей в мире источник

Юрий Шиханович Введение в современную математику. Начальные понятия источник

Рональд Л. Грэхем, Дональд Эрвин Кнут Конкретная математика. Математические основы информатики источник

Юрий Пухначев Математика без формул книга1, книга2

Риxард Курант, Герберт Роббинс Что такое математика? источник

Тарасов Л.В. Азбука математического анализа. Беседы об основных понятиях. Учебное пособие источник

Потом уже можно браться за стандартный учебник математического анализа

Фихтенгольц Г.М.Основы математического анализа.источник (это один из немногих классических учебников, где например хорошо разжевано понятие производной, поверьте, я многих сравнивал).

Статистика, теория вероятностей:

Гнеденко Б.В., Хинчин А.Я. Элементарное введение в теорию вероятностей источник

Сара Бослаф Статистика для всех источник

Чарльз Уилан Голая статистика. Самая интересная книга о самой скучной науке источник

Перечень будет дополнятся только если появится действительно стоящий курс или книга.

Сделал подборку книг по Machine Learning для тех, кто хочет разобраться, что да как.
Добавляйте в закладки и делитесь с коллегами!

Книги по машинному обучению на русском

Сначала изучите азы статистической теории машинного обучения, игр с предсказаниями и прогнозирования с применением экспертной стратегии. Их основы прекрасно объясняет автор книги, доктор физико-математических наук Владимир Вьюгин. Пособие рассчитано на студентов и аспирантов и в доступной форме излагает математические основы, необходимые для дальнейшей работы с машинным обучением.

Эта книга 2017 года издания доступно рассказывает о Machine Learning — для тех, кто ничего не слышал об этих технологиях. В ней нет заумной статистики, математики или углубленного и подробного объяснения, как использовать тот или иной алгоритм. Авторы с легкостью объясняют, что такое машинное обучение и как его применять в повседневной жизни. Примеры в книге приводятся на языке программирования Python, который используется в том числе и в этой сфере.

Еще одна отличная книга для начинающих свой путь в программировании и анализе больших данных. Авторы утверждают, что благодаря ей читатель научится самостоятельно строить модели машинного обучения и развертывать крупномасштабные приложения для прогнозирования. В книге рассказывается о том, какие алгоритмы входят в семейство масштабируемых, что они из себя представляют и как с их помощью обрабатывать большие файлы. Также вы узнаете, что такое вычислительная парадигма MapReduce и как работать с машинными алгоритмами на платформах Hadoop и Spark на языке Python.

Книга для новичков, осваивающих Python и машинное обучение. Издание содержит подробные мануалы даже по таким нюансам, как установка специализированного приложения Jupyter Notebook.

В книге рассматриваются основы Machine Learning, возможности самых мощных библиотек Python для анализа данных и дается ответ на вопрос, почему этот язык — один из лидеров в Data Science.

Несмотря на то что эта книга рассчитана на начинающих и знакомит с основными принципами искусственного интеллекта — в частности, технологии распознавания лиц, — для полного понимания терминологии и комфортного погружения в чтение все же требуется некоторый бэкграунд. В ней рассматриваются такие вопросы биометрии, как методы анализа изображений лиц, получение исходных данных из реальных сцен, структуры систем распознавания и другие. Примеры в монографии приводятся на языке машинного обучения MATLAB. Если техническими фоновыми знаниями вы не обладаете, но книгу прочитать все же хочется — незнакомые термины можно гуглить, этого вполне достаточно, чтобы не испытывать при чтении никакого дискомфорта.

Это цветное издание с иллюстрациями также предназначено для новичков и рассматривает широкие вопросы машинного обучения. По мере погружения читателя в тему автор раскрывает все больше деталей, но книга не слишком сложна для восприятия: вся новая терминология объясняется, а статистические и логические модели описываются понятным неподготовленному читателю языком.

Обучение с подкреплением — это одно из направлений искусственного интеллекта. Кратко и в самом общем виде его суть можно изложить так: машина учится действовать в окружающей среде, нарабатывая интуитивный опыт, а затем наблюдает свои результаты. В книге исчерпывающе излагается концепция обучения с подкреплением — от основополагающих идей до современных достижений в этой сфере.

Книги по машинному обучению на английском

Все книги рассчитаны на новичков без опыта работы с технологиями искусственного интеллекта либо специалистов с небольшим техническим бэкграундом. Цель большинства — познакомить с основными принципами, концепциями, идеями и некоторыми алгоритмами машинного обучения.

Книга Дэвида Барбера написана для студентов и выпускников с минимальными знаниями алгебры и математического анализа — то есть отлично подходит для начала изучения машинного обучения. Как видно по названию, она сосредоточена вокруг байесовского статистического вывода. Книга позволяет развить аналитические навыки и найти новые способы решения проблем в работе с алгоритмами машинного обучения. Каждая глава сопровождается примерами, практическими и теоретическими заданиями.

В этом пособии концептуально описываются идеи науки о данных, то есть без сложных математических формул и понятий. В ней множество иллюстративных примеров, которые еще больше раскрывают суть написанного. Охват книги широк: от контролируемого обучения (прогнозирования) до обучения без учителя. Рассматриваемые темы включают нейронные сети, методы опорных векторов, деревья классификации и бустинг. Авторы книги — преподающие профессора, создатели учебных пособий и инструментов интеллектуального анализа данных.

В этом издании обзорно излагаются основные современные подходы к проблемам классификации: машинное обучение, статистика и нейронные сети. Авторы сравнили эффективность методов по различным показателям и сделали выводы о том, для решения каких коммерческих и промышленных задач каждый из них больше подходит.

Преимущество книги — невысокие требования к фоновым математическим знаниям читателя. Даже со школьным курсом в голове вы сможете ее прочесть, понять, освоить основные концепции и научиться программировать собственные алгоритмы распознавания изображений на Python. Все математические идеи в основе устройства нейронных сетей поданы под соусом из большого количества иллюстраций и примеров, что упрощает восприятие.

Учебное пособие для студентов первого курса. Его часто используют в роли введения в Data Science во множестве обучающих университетских программ. Если вам интересно проектирование нейросетей именно для создания искусственного интеллекта, рекомендуем ее как первую книгу на эту тему.

3. Pattern Recognition and Machine Learning

4. Deep Learning Book

5. Understanding Machine Learning: From Theory to Algorithms

Действительно хороший трактат по теории машинного обучения.

6. Seven Steps to Success: Machine Learning in Practice

7. Rules of Machine Learning: Best practices for Machine Learning Engineering

8. A Brief Introduction to Machine Learning for Engineers

Фолиант, охватывающий почти все методы машинного обучения. Поможет понять математику (для людей, боящихся сложных математических формул).

9. Brief Introduction to Machine Learning without Deep Learning

10. Introductory Machine Learning notes

11. Foundations of Machine Learning

12. An Introduction to Variable and Feature Selection

13. AutoML Book – Frank Hutter, Lars Kotthoff, Joaquin Vanschoren

14. Deep Learning with Pytorch

15. Dive Into Deep Learning

16. Keras Github notebooks

17. Model-based Machine Learning

18. Bayesian Models for Machine Learning

Еще одна книга с подробным описанием различных байесовских методов в машинном обучении.

19. Eisenstein NLP notes

20. Reinforcement Learning – Sutton and Barto

Библия обучения с подкреплением. Это обязательная книга для всех, кто занимается обучением с подкреплением.

При всём многообразии литературы по программированию и IT есть темы, где найти книги для новичков очень сложно. Одна из таких тем ー искусственный интеллект, в нашем случае ー машинное обучение. Подавляющее большинство книг требует от читателя знаний Python, теории математического анализа и статистики, хотя бы базового умения создавать алгоритмы для обработки массивов данных.

В этом материале мы решили восполнить пробел и собрать лучшие книги по машинному обучению на русском языке — те, которые может прочитать и понять даже человек, лишь косвенно связанный с программированием и большими данными.

Книги по машинному обучению на русском языке

Так как большинство разработок в сфере сегодня ведётся на языке Python, то в первую очередь следует штурмовать именно его. В нашем контексте новичкам лучше всего подойдёт вот эта книга по machine learning, поскольку акцент в ней сделан на теоретическую часть обработки данных, а библиотеки и операции в Python ー лишь прикладная иллюстрация. Всё в соответствии с названием.

Если вы ищете базовый учебник по машинному обучению в принципе, обратите внимание на эту книгу. В ней вы не найдёте ответы на все свои вопросы, но зато узнаете, где их искать. По сути, перед нами теоретический справочник, охватывающий всё многообразие машинного обучения, сдобренный ссылками на полезную литературу по каждой теме. Примеры кода на каком-либо языке отсутствуют — но в этом и нет необходимости, учитывая уровень материала.

Автор поставил перед собой цель в ста страницах описать все основные алгоритмы и принципы машинного обучения. Утопическая задача вылилась в одну из лучших книг по machine learning, с множеством восторженных отзывов как со стороны рядовых покупателей, так и известных людей IT-отрасли. И пусть в русском переводе толщина выросла вдвое – насыщенность информацией от этого не пострадала.

Эта книга уже требует от читателя хотя бы элементарных навыков работы с Python, необходимых, чтобы шагнуть на новую ступень знаний в machine learning. Здесь рассматриваются профильные библиотеки языка по машинному обучению, в частности scikit-learn, Keras, Theano. Перечень задач широкий: обработка простых баз данных, анализ текста и визуальной информации, нейронные сети и многое другое. У книги есть два издания, но для вводной части не важно, какое именно попадётся вам в руки.

TensorFlow ー одна из базовых библиотек машинного обучения, поэтому, если у вас есть хотя бы незначительные познания в Python и желание развиваться в этом направлении, данная книга обязательно поможет. Здесь приведено очень много кода для базовых задач ML и в этом плане книга качественно отличается от аналогичных изданий по машинному обучению. Незначительный минус заключается как раз в том, что использовать книгу для погружения в тему сложно ー необходимо под рукой иметь компьютер.

Эта книга посвящена машинному обучению с использованием нейронных сетей, на примере библиотеки NumPy языка Python. Рассчитана она на аудиторию с базовыми представлениями о программировании и искусственном интеллекте, но при этом наполнена большим числом теории и практики. Всё растолковано буквально на пальцах, так что новичкам строго рекомендуется.

Книги по machine learning на английском языке

Если английский язык вас не отпугивает или параллельно с машинным обучением вы хотите увеличить свой словарный запас, то мы подготовили ещё один полезный список.

Machine Learning For Absolute Beginners: A Plain English Introduction, Oliver Theobald

Наверняка однажды эту книгу переведут на русский язык, но пока можете оценить её лишь на английском. Это не шедевр печатного программирования, но для тех, у кого нет вообще никакого понимания, что такое машинное обучение, она подойдёт идеально. Здесь разъясняются базовые принципы очень простым языком (иногда даже слишком), а навыки программирования не требуются. Вообще.

Machine Learning For Dummies, John Paul Mueller, Luca Massaron

Machine Learning In Action, Peter Harrington

Как и у многих участников этого списка, акцент здесь сделан на подаче идей машинного обучения через практические примеры на Python. Главная особенность здесь в том, что книга содержит минимум общих слов, хоть и рассчитана на любой уровень подготовки. Буквально со второй страницы начинается погружение в тему инструментов и приёмов машинного обучения, что порадует тех, кто не желает тратить лишнее время на вступительные речи.

Python Machine Learning: A Technical Approach to Machine Learning for Beginners, Leonard Eddison

Оригинальность этой книги по machine learning в том, что с её помощью читатель просто учит язык Python. На первый взгляд, разницы мало, однако если знаний нет ни в МО, ни в программировании – то это именно то, что нужно. Однако помните, что это издание есть смысл дополнить какой-нибудь другой, более глубокой книгой из нашего списка.

Data Mining: Practical Machine Learning Tools and Techniques, Ian H. Witten, Eibe Frank, Mark A. Hall

Работа с огромными объёмами данных — это одна из наиболее частых причин, почему сторонние специалисты начинают интересоваться машинным обучением. В этой книге есть для таких людей есть ответы на все вопросы. Как? Зачем? С чьей помощью? Насколько это долго и сложно? Можно ли обойтись без машинного обучения? Если вам тоже требуется погружение в принципы обработки данных с использованием искусственного интеллекта, а английский язык не смущает — тогда это та книга по machine learning вам точно не помешает.

Как видите, представленные в этом списке издания охватывают разные подходы к изложению материала и обучению, имеют разный формат подачи материала. А это значит, что каждый сможет найти что-то себе по душе и кошельку.

А чтобы гарантированно получить системные знания в области машинного обучения с самого нуля, можно поступить на факультет искусственного интеллекта GeekBrains. Здесь от вашего внимания точно не ускользнёт ничего существенного.

Книги по машинному обучению на русском языке

Книги по machine learning на английском языке

Machine Learning For Absolute Beginners: A Plain English Introduction, Oliver Theobald

Machine Learning For Dummies, John Paul Mueller, Luca Massaron

Machine Learning In Action, Peter Harrington

Python Machine Learning: A Technical Approach to Machine Learning for Beginners, Leonard Eddison

Data Mining: Practical Machine Learning Tools and Techniques, Ian H. Witten, Eibe Frank, Mark A. Hall

Посоветуйте какие-нибудь хорошие книги по математике и машинному обучению. Желательно в доступной для понимания форме.

Дописывайте, если есть что добавить в общий ответ.

2 ответа 2

Прежде чем заниматься конкретно машинным обучением, рекомендуем ознакомиться с книгами

Стюарт Рассел, Питер Норвиг Искусственный интеллект. Современный подход источник

Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы
решения сложных проблем источник

Саймон Хайкин Нейронные сети. Полный курсисточник

Также вы должны уметь производить предварительный анализ данных, чтобы понять, какие методы машинного обучения можно применить к вашему набору данных или как его лучше подготовить, в этом вам помогут следующие книги:

Борис Миркин Введение в анализ данных. Учебник и практикум источник

Марина Архипова, Татьяна Дуброва Анализ данных. Учебник источник

Загоруйко Н.Г. Прикладные методы анализа данных и знаний источник

Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия источник

Рубан А.И. Методы анализа данных

Уэс Маккинни Python и анализ данных источник (практика)

Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R источник (практика)

Вы должны знать хорошо математику (в особенности линейную алгебру), статистику, теорию вероятностей, дискретную математику. Я, например, неважно знаю математику и мне очень тяжело читать стандартные учебники, рассчитанные на то, что преподаватель сможет разжевать скупое описание формулы, поэтому для легкого порога вхождения рекомендую следующие книги (от основ и выше):

Юрий Шиханович Введение в современную математику. Начальные понятия источник

Рональд Л. Грэхем, Дональд Эрвин Кнут Конкретная математика. Математические основы информатики источник

Юрий Пухначев Математика без формул книга1, книга2

Тарасов Л.В. Азбука математического анализа. Беседы об основных понятиях. Учебное пособие источник

Анатолий Мышкис Лекции по высшей математике источник

Рихард Курант, Герберт Роббинс Что такое математика? источник

Потом уже можно браться за стандартный учебник математического анализа

Фихтенгольц Г.М.Основы математического анализаисточник

Кристофер М. Бишоп Распознавание образов и машинное обучение источник

Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R источник, Оглавление и отрывки из глав

Себастьян Рашка Python и машинное обучение источник

Хенрик Бринк, Джозеф Ричардс Машинное обучение источник

Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных источник

К. В. Воронцов Математические методы обучения по прецедентам (теория обучения машин) источник

Мерков А.Б. Введение в методы статистического обучения источник

Аркадий Гелиг, Алексей Матвеев Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие источник

Мерков А.Б. Построение и обучение вероятностных моделей источник

Ричарт В., Коэльо П.Л. Построение систем машинного обучения на языке Python источник, Оглавление и отрывки из глав (тут больше практика по машинному обучению)

Вьюгин В. Математические основы машинного обучения и прогнозирования источник

Червоненкис А.Я. Теория обучения машин

Ричард С. Саттон, Эндрю Г. Барто Обучение с подкреплением источник

Андреас Мюллер, Сара Гвидо Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными источник

Дэви Силен, Арно Мейсман Основы Data Science и Big Data. Python и наука о данных источник

Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций источник

В. И. Донской Алгоритмические модели обучения классификации:обоснование, сравнение, выбор источник

Местецкий Л.М. Математические методы распознавания образов Курс лекций источник

Кристофер Д. Маннинг, Прабхакар Рагхаван Введение в информационный поиск источник

Юре Лесковец, Ананд Раджараман Анализ больших наборов данных источник, оглавление и отрывки из глав

Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение источник, оглавление и отрывки из глав

Шлезингер М.И. Десять лекций по статистическому и структурному распознаванию образов источник

Джулли А., Пал С. Библиотека Keras — инструмент глубокого обучения источник оглавление и отрывки из глав

Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python источник оглавление и отрывки из глав

Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R источник , эл.версия

Дж. Вандер Плас Python для сложных задач. Наука о данных и машинное обучение источник

Даррен Кук Машинное обучение с использованием библиотеки Н2О источник оглавление и отрывки из глав

Открытый курс OpenDataScience по машинному обучению источник - статьи на Хабрахабре

Слайды лекций по курсу “Машинное обучение” источник

Лекция 2008 года Н.Ю. Золотых Как обучаются машины? источник, презентация к лекциям от 2018 г.

Тарик Рашид Создаем нейронную сеть источник

Николенко С. И., Кадурин А. А., Архангельская Е. О. Глубокое обучение источник

С. И. Николенко, А. Л. Тулупьев Самообучающиеся системы источник

Паттерсон Дж., Гибсон А. Глубокое обучение с точки зрения практика источник, оглавление и отрывки из глав

Орельен Жерон Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем источник, оглавление, отрывки из глав

П.Е. Овчинников Применение искусственных нейронных сетей для обработки сигналов. Учебно-методическое пособие. 2012г источник

Франсуа Шолле Глубокое обучение на R источник, оглавление, отрывки из глав

О`Нил, Шатт Data Science. Инсайдерская информация для новичков. Включая язык R источник

Шай Шалев-Шварц, Шай Бен-Давид Идеи машинного обучения источник, оглавление и отрывки из глав

Франсуа Шолле Глубокое обучение на Python источник

Пратик Джоши Искусственный интеллект с примерами на Python источник

Бенгфорт Б., Билбро Р., Охеда Т. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка источник

Келлехер Дж., Мак-Нейми Б., д`Арси А. Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования источник

Равичандиран С. Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи источник

Специализация Машинное обучение и анализ данных включающая себя 6 курсов : источник Coursera

Специализация Анализ Данных от Stepik (часть курсов из этой специализации отображена тут)

Курс Р.В. Шамина Машинное обучение и искусственный интеллект в математике и приложениях источник

Виктор Кантор МФТИ Машинное обучение источник

Курс от Stepik Нейронные сети источник

Computer Science Center Машинное обучение, часть 1 (осень 2016) источник ютуб

Computer Science Center Машинное обучение, часть 2 (весна 2017) источник ютуб

Data Mining in Action 10 лекций по ML источник ютуб

Компьютерные науки Тренировки Machine Learning источник ютуб здесь люди делятся своим реальным опытом в ML

Шамин Р.В. Лекции по искусственному интеллекту и машинному обучению источник

Искусственный интеллект и машинное обучение (лекции) источник - сайт, ютуб

Канал OpenDataScience по машинному обучению и MLClass источник ютуб

Сергей Николенко Основы байесовского вывода источник ютуб

Андрей Созыкин Онлайн курс Программирование глубоких нейронных сетей на Python источник сайт, ютуб

Курс на 9 недель от ВШЭ и Яндекса Practical Reinforcement Learning (сами видео лекций и практических семинаров на русском языке найдете в разделе Materials каждой недели) источник github

Информационный поиск (осень 2016) источник

Ивахненко А.А. Введение в теорию нейросетей и глубокое обучение источник

Python для анализа данных источник Coursera

Семинары по машинному обучению JetBrains Research источник

Высшая школа экономики, курс Линейная алгебраисточник Coursera
Лекториум Линейная алгебра и аналитическая геометрияисточник ютуб
Лекторий МФТИ Линейная алгебраисточник
МФТИ, курс Теория вероятностей для начинающихисточник Coursera
МФТИ, курс Математика для всехисточник Coursera
Курс от Stepik Основы статистикичасть1,часть2, часть3
Курс от Stepik Математическая статистикаисточник
Курс от Stepik Введение в дискретную математикуисточник
Курс от Stepik Ликбез по дискретной математикеисточник
Курс от Stepik Введение в математический анализисточник
Курс от Stepik Математический анализчасть1, часть2
Курс от Stepik Анализ данных в Rчасть1, часть2
Computer Science Center Анализ данных на R в примерах и задачах (весна 2016) источник ютуб
Computer Science Center Анализ данных на R в примерах и задачах, часть 2 (весна 2017) источник ютуб
Канал на ютубе Основы анализа данныхисточник
KhanAcademyRussian Теор. вероятн-ей и комбинаторикаисточник ютуб
Алгебра (133видео) источник KhanAcademyRussian
Р.В. Шамин. Математический анализ - лекцииисточник
кружок от ФПМИ МФТИ Школа глубокого обученияютуб, github, git2

Гнеденко Б.В., Хинчин А.Я. Элементарное введение в теорию вероятностей источник

Владимир Савельев Статистика и котики источник, немного почитать

Сара Бослаф Статистика для всех источник

Чарльз Уилан Голая статистика. Самая интересная книга о самой скучной науке источник

Эндрю Брюс, Питер Брюс Практическая статистика для специалистов Data Science источник , оглавление и фрагмент книги

Дж. Хей Введение в методы байесовского статистического вывода источник

Перечень будет периодически дополняться.

Очень большой список. Совершенно не представляю с чего начать. А можно добавить отдельный список для начинающих? Простые обзорные книги, чтобы можно было сперва сориентироваться, а потом уже изучать более углублённо.

Топ лучших бесплатных книг по машинному обучению:

The Elements of Statistical Learning: Data Mining, Inference, and Prediction. В этой книге авторы попытались объединить много важных новых идей, связанных со статистическим обучением. Хотя в книге не хватает математических деталей, авторы неплохо объясняют именно основы концептов. Книга пригодится не только специалистам по статистике, но и людям, работающим в смежных областях.

Introduction To Machine Learning. Цель этой книги — введение в индуктивное логическое программирование, раздел науки на стыке машинного обучения и логического программирования. Книга будет полезна тем, кто изучает принципы работы с базами данных, дата-инжиниринг, ИИ, машинное обучение и логическое программирование.

Reinforcement Learning: An Introduction. Обучение с подкреплением — это один из способов машинного обучения, в ходе которого испытуемая система взаимодействует с некоторой средой и стремится получить максимальную награду за свои действия. В этой книге разбираются ключевые аспекты этого вида обучения, его история и сферы применения. Порогом вхождения в эту книгу является лишь базовый уровень знания принципов вероятностной модели.

Information Theory, Inference, and Learning Algorithms. В этой книге рассказывается о теории информации и о статистическом выводе. Эти темы лежат в основе таких областей современной науки, как коммуникация, теория обработки сигналов, data mining, машинное обучение, биоинформатика, криптография и многих других. Авторы удачно сочетают теоретические объяснения с практическими примерами и заданиями.

Gaussian Processes for Machine Learning. Эта книга посвящена гауссовским процессам и вопросу обучения с учителем. В книге приведено много алгоритмов, также разбираются сферы применения ГП в машинном обучении и статистике, например, в методе опорных векторов, нейронных сетях, сплайнах и прочем.

Bayesian Reasoning and Machine Learning. Эта книга пригодится студентам старших курсов с небольшим багажом знаний по линейной алгебре и матанализу. Материал в книге идёт от простого к сложному, используются графические модели.

A Course in Machine Learning. В этой книге приведен набор вводных материалов по большинству основных аспектов машинного обучения (обучение с учителем и без учителя, вероятностное моделирование, теория обучения и т.д.).

Machine Learning, Neural and Statistical Classification. Цель этой книги — рассказать о современных подходах к классификации. Они сравниваются по производительности и областям применения в реальных случаях. Как видно из названия, таких подходов три: статистический метод, метод машинного обучения и метод нейронных сетей.

Introduction To Machine Learning. В этой книге рассматриваются многие важные вопросы машинного обучения с 2006 года. Это и не учебник, и не задачник: цель книги — подготовить читателя к дальнейшему освоению этой темы.

Real-world Machine Learning. Henri Brink, Joseph W. Richards, Mark Fetherolf в данной книге авторы пытаются показать практическое применение машинного обучения в обыденных задачах, привести примеры их решения и собрать все важные знания для начинающего.

Читайте также: