想學習機器學習嗎?從這10本書開始。

[[374789]]

> Top 10 Books on Machine Learning For Absolute Beginners, Beginners and Experts

什么是機器學習?維基百科-機器學習(ML)是對計算機算法的研究，這些算法會根據(jù)經驗自動提高。它被視為人工智能的子集。機器學習算法基于樣本數(shù)據(jù)(稱為"訓練數(shù)據(jù)")構建模型，以便做出預測或決策而無需明確地編程。機器學習算法用于各種應用程序，例如電子郵件過濾和計算機視覺，在這些應用程序中，很難或不可行地開發(fā)常規(guī)算法來執(zhí)行所需的任務。

機器學習的十大應用：

• 圖像識別
• 語音識別
• 產品推薦
• 自動駕駛汽車
• 電子郵件垃圾郵件和惡意軟件過濾
• 虛擬個人助理
• 在線欺詐檢測
• 自動語言翻譯
• 醫(yī)學診斷
• 產品推薦

這是有關機器學習的十大最佳書籍。

1. 絕對初學者的機器學習：簡單的英語介紹

> Machine Learning For Absolute Beginners: A Plain English Introduction

作者— Oliver Theobald

頁數(shù)— 162

面向 —絕對初學者

說明-本書用英文解釋寫，沒有編碼經驗。Oliver Theobald引入了核心算法，并給出了清晰的解釋，并添加了直觀的示例，以使其易于在家進行學習。

本書逐步指導您，您將學習：

• 如何下載免費數(shù)據(jù)集
• 您需要什么工具和機器學習庫
• 數(shù)據(jù)清理技術，包括一鍵編碼，合并和處理丟失的數(shù)據(jù)
• 準備分析數(shù)據(jù)，包括k倍驗證
• 回歸分析以創(chuàng)建趨勢線
• 聚類，包括k-Means聚類以查找新關系
• 神經網(wǎng)絡的基礎
• 偏差/方差可改善您的機器學習模型
• 決策樹解碼分類
• 如何使用Python構建第一個機器學習模型以預測房屋價值

2. 百頁機器學習書

> The Hundred-Page Machine Learning Book

作者-Peter Norvig，Google研究總監(jiān)，AIMA的合著者。AurélienGéron，高級AI工程師，暢銷書Scikit-Learn和TensorFlow的動手機器學習的作者。亞馬遜數(shù)據(jù)科學主管Karolis Urbonas。eBay工程主管Sujeet Varakhedi。

頁數(shù)— 160

面向 —初學者

描述—有監(jiān)督和無監(jiān)督學習，支持向量機，神經網(wǎng)絡，集成方法，梯度下降，聚類分析和降維，自動編碼器和傳遞學習，特征工程以及超參數(shù)調整!數(shù)學，直覺，插圖全部一百頁!

3. 傻瓜的機器學習(在Python和R中)

> Machine Learning (In Python And R) For Dummies

作者—約翰·穆勒(John Mueller)是自由作家和技術編輯。

頁數(shù)— 399

面向 —初學者

說明-本書是快速入門的簡便方法。它說明了入門方法，提供了有關基礎算法的工作方式的詳細討論，使用諸如Python和R之類的語言使機器學習成為可能，并指定了如何使用通用算法進行實際操作，等等!

書內：

• 有關AI的真實故事
• R和Python編碼
• 統(tǒng)計的作用
• 管理大數(shù)據(jù)
• 揭開數(shù)學的神秘面紗
• 使用線性模型
• 神經網(wǎng)絡的作用
• 如何處理圖像
• 您可以使用更多工具

4. 面向黑客的機器學習：案例研究和算法入門

> Machine Learning For Hackers: Case Studies And Algorithms To Get You Started

作者—作者Drew Conway和John Myles

頁數(shù)— 340

面向 —初學者

說明-如果您是一位經驗豐富的程序員，對數(shù)據(jù)處理感興趣，那么本書將幫助您開始使用一種算法的機器學習工具包，該工具包使計算機能夠訓練自己以自動執(zhí)行有用的任務。Drew Conway和John Myles White的作者通過一系列動手案例研究幫助您了解機器學習和統(tǒng)計工具，而不是傳統(tǒng)的繁瑣的演講。

每章重點介紹機器學習中的特定問題，例如分類，預測，優(yōu)化和推薦。使用R編程語言，您將學習如何分析樣本數(shù)據(jù)集并編寫簡單的機器學習算法。黑客的機器學習非常適合來自任何背景的程序員，包括商業(yè)，政府和學術研究。

借助本書，您將：

• 開發(fā)一個樸素的貝葉斯分類器，僅根據(jù)其文本確定電子郵件是否為垃圾郵件。
• 使用線性回歸預測前1,000個網(wǎng)站的網(wǎng)頁瀏覽量。
• 學習優(yōu)化通過嘗試打破簡單的字母密碼來實現(xiàn)這些技術。
• 根據(jù)參議員的投票記錄，對他們進行統(tǒng)計比較和對比。

5. 機器學習

> Machine Learning

作者—湯姆·米切爾(Tom M. Mitchell)

頁數(shù)432

面向 —初學者

說明-這本教科書提供了單一來源的機器學習主要方法的介紹。它適用于高級本科生和研究生，以及該領域的開發(fā)人員和研究人員。假定沒有人工智能或統(tǒng)計學的現(xiàn)有背景。書中討論的幾種關鍵算法，日期集示例和面向項目的作業(yè)分配可通過萬維網(wǎng)訪問。

特色：

• 本書以統(tǒng)一的方式涵蓋了各個領域的概念和技術
• 涵蓋了遺傳算法，強化學習和歸納邏輯—編程等最新主題。
• 寫作風格清晰，說明性和精確。

6. 使用Scikit-Learn，Keras和Tensor Flow進行動手機器學習：概念，工具和技術

> Hands-On Machine Learning With Scikit-Learn, Keras And Tensor Flow: Concepts, Tools And Techniques

作者— Aurelian Geron是一名機器學習顧問和培訓師。

頁數(shù)— 848

面向 —全部

說明-您將學習各種技術，從簡單的線性回歸開始，一直到深入的神經網(wǎng)絡。每章都有練習，可以幫助您應用所學的知識，因此，您所需要的只是編程經驗。

借助本書，您將：

• 探索機器學習的前景，尤其是神經網(wǎng)絡
• 使用Scikit-Learn端對端跟蹤示例機器學習項目
• 探索幾種訓練模型，包括支持向量機，決策樹，隨機森林和集成方法
• 使用TensorFlow庫構建和訓練神經網(wǎng)絡
• 深入研究神經網(wǎng)絡體系結構，包括卷積網(wǎng)絡，遞歸網(wǎng)絡和深度強化學習
• 學習用于訓練和擴展深度神經網(wǎng)絡的技術

7. 使用Python進行深度學習

> Deep Learning With Python

作者—FrançoisChollet，谷歌AI研究人員和Keras創(chuàng)作者。

頁數(shù)— 384

面向 —全部

說明-它介紹了使用Python語言和強大的Keras庫進行深度學習的領域。本書由Keras創(chuàng)作者和Google AI研究人員FrançoisChollet撰寫，本書通過直觀的解釋和實際示例來加深您的理解。

目錄：

• 第1部分-深度學習基礎
• 什么是深度學習?
• 在我們開始之前：神經網(wǎng)絡的數(shù)學基礎
• 神經網(wǎng)絡入門
• 機器學習基礎
• 第2部分-深度學習實踐
• 用于計算機視覺的深度學習
• 文本和序列的深度學習
• 先進的深度學習最佳實踐
• 生成式深度學習
• 結論
• 附錄A —在Ubuntu上安裝Keras及其依賴項
• 附錄B —在EC2 GPU實例上運行Jupyter筆記本

從亞馬遜購買。

8. 深度學習(自適應計算和機器學習系列)

> Deep Learning (Adaptive Computation And Machine Learning Series)

作者-Ian Goodfellow是Google的研究科學家(對抗生成網(wǎng)絡GAN的發(fā)明者)。Yoshua Bengio是蒙特利爾大學計算機科學教授(圖靈獎得主)。Aaron Courville是蒙特利爾大學計算機科學的助理教授。

頁數(shù)— 800

面向 —初學者/中級

說明-本書介紹了深度學習的廣泛主題，涵蓋數(shù)學和概念背景，行業(yè)中使用的深度學習技術以及研究觀點。

特斯拉和SpaceX首席執(zhí)行官埃隆·馬斯克(Elon Musk)的評論："深度學習由該領域的三位專家撰寫，是有關該主題的唯一一本全面的書。"

9. 模式識別與機器學習(信息科學與統(tǒng)計)

> Pattern Recognition And Machine Learning (Information Science And Statistics)

作者—克里斯·畢曉普(Chris Bishop)是微軟研究院劍橋的一位杰出科學家和實驗室主任。

頁數(shù)— 738

面向 —中級/專家

說明-這是第一本介紹貝葉斯觀點的模式識別教科書。本書介紹了近似推理算法，可以在無法給出精確答案的情況下提供快速近似答案。當沒有其他書籍將圖形模型應用于機器學習時，它使用圖形模型來描述概率分布。不會假設以前有任何模式識別或機器學習概念的知識。需要熟悉多元演算和基本線性代數(shù)，并且使用概率的一些經驗會有所幫助，盡管不是必不可少的，因為這本書包括對基本概率論的獨立介紹。

10. 統(tǒng)計學習的要素：數(shù)據(jù)挖掘，推理和預測，第二版

> The Elements Of Statistical Learning: Data Mining, Inference, And Prediction, Second Edition

作者-Trevor Hastie，Robert Tibshirani和Jerome Friedman是斯坦福大學的統(tǒng)計學教授。

頁數(shù)— 745

面向 —中級/專家

說明-本書在一個通用的概念框架中描述了各個領域的重要思想，例如醫(yī)學，生物學，金融和市場營銷。盡管該方法是統(tǒng)計方法，但重點是概念而不是數(shù)學。大量使用彩色圖形給出了示例。對于統(tǒng)計學家和對科學或工業(yè)中的數(shù)據(jù)挖掘感興趣的任何人來說，它都是寶貴的資源。本書涵蓋范圍廣泛，從監(jiān)督學習(預測)到無監(jiān)督學習。許多主題包括神經網(wǎng)絡，支持向量機，分類樹和boosting-這是任何書籍中對該主題的第一個全面處理。

原文鏈接：

https://medium.com/datadriveninvestor/top-10-books-on-machine-learning-for-absolute-beginners-beginners-and-experts-88cfcb94ccce)