Уважаемые коллеги!
📚Предлагаем вашему вниманию подборку книг на тему машинного обучения!
Писать пост на тему «хороших книг» — это упражнение на минимализм, ведь нужно выбрать только то, что было и будет актуальным еще долгое время, будет полезным относительно широкой аудитории и может стать настольной книгой по какой-то теме.
Бонусом в конце поста есть ряд журналов и блогов, которые я тоже регулярно читаю. Надеюсь, что-то из нижеупомянутого будет полезным и интересным для вас.
Вашему вниманию предлагается
https://disk.yandex.ru/d/0_CdGagd6-3WdQ
📖 Владимир Вьюгин
«Математические основы машинного обучения и прогнозирования»
▫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.
📖 Педро Домингос. «Верховный алгоритм»
▫Книга, благодаря которой даже ничего не смыслящие в математике и статистике люди поймут, что такое алгоритмы машинного обучения и каково их применение в жизни. Профессор Педро Домингос рассказывает о пяти основных школах Machine Learning и о том, как они используют идеи из различных областей научного знания — нейробиологии, физики, статистики, биологии, — чтобы помогать людям решать сложные задачи и упрощать рутину с помощью алгоритмов.
Я часто наблюдаю ситуацию, когда специалисты становятся адептами какой-то одной технологии, что помогает глубоко понять что-то одно, но часто отрывает от большой картины. Для тех, кто осознал себя в такой ловушке в мире машинного обучения — я часто советую книгу The Master Algorithm Педро Домингоса. Если, кроме нейронок, в последние годы ничего не видели, то не помешает узнать в простой форме о байесовских методах, логике, distance-based learning и эволюционных алгоритмах и в контексте ИИ.
📖 Хенрик Бринк, Джозеф Ричардс, Марк Феверолф. «Машинное обучение»
▫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.
📖 Бастиан Шарден, Лука Массарон, Альберто Боскетти «Крупномасштабное машинное обучение вместе с Python»
▫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.
📖 Себастьян Рашка «Python и машинное обучение»
▫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.
📖 Георгий Кухарев, Екатерина Каменская, Юрий Матвеев, Надежда Щеголева «Методы обработки и распознавания изображений лиц в задачах биометрии»
▫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.
📖 Петер Флах
«Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных»
▫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.
📖 Ричард С. Саттон, Эндрю Г. Барто «Обучение с подкреплением»
▫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.
▪ Интересные авторские блоги и не только
• Блог Эдвина Чена: блог о математике, статистике, машинном обучении и науке о данных;
http://blog.echen.me/
• Data School: даталогия для начинающих;
http://www.dataschool.io/
• ML Wave: изучение машинного обучения;
http://mlwave.com/
• Colah: отличный блог о нейронных сетях;
http://colah.github.io/
• Блог Алекса Минаара: блог о машинном обучении и программировании;
http://alexminnaar.com/
• Statistically Significant: блог Эндрю Ландграфа о науке о данных;
http://andland.github.io/
• Simply Statistics: блог ведут три профессора биостатистики;
http://simplystatistics.org/
• Yanir Seroussi: блог о науке о данных и не только;
http://yanirseroussi.com/
• fastML: доступным языком о машинном обучении;
http://fastml.com/
• Trevor Stephens: персональная страница Тревора Стефенса;
http://trevorstephens.com/
• Outlace: блог студента о машинном обучении;
http://outlace.com/
• r4stats: все о науке о данных и R;
http://r4stats.com/
• Variance Explained: блог Дэвида Робинсона;
http://varianceexplained.org/
• AI Junkie: блог об искусственном интеллекте;
http://www.ai-junkie.com/
• Andrej Karpathy blog
karpathy.github.io
• Andreessen Horowitz blog
https://a16z.com/content/
• Paul Graham essays
http://www.paulgraham.com/articles.html
• Sam Altman essays
https://blog.samaltman.com/
• Ray Dalio on Economics in LinkedIn
https://www.linkedin.com/in/raydalio/detail/featured-list/urn:li:fsd_profile:ACoAABE9HH8BsvYrxj-dZxQzyqcPqmq7eVN4IP4/
#machine_learning
#машинное_обучение
