5 kostenlose E-Books für maschinelles Lernen

Es gibt nur wenige Themen im Computer, die so faszinierend oder einschüchternd sind wie maschinelles Lernen. Seien wir ehrlich - Sie können maschinelles Lernen an einem Wochenende nicht beherrschen, und zumindest erfordert es ein gutes Verständnis der zugrunde liegenden mathematischen Prinzipien.

Das heißt, wenn Sie die mathematischen Fähigkeiten haben, möchten Sie die Verwendung von Frameworks für maschinelles Lernen (es gibt viele zur Auswahl) mit einem guten Verständnis der dahinter stehenden Theorie erweitern.

Hier sind fünf hochwertige, frei lesbare Texte, die Einführungen und Erklärungen zu den Vor- und Nachteilen des maschinellen Lernens bieten. Einige haben Codebeispiele, aber die meisten konzentrieren sich auf Formeln und Theorie; Im Prinzip können sie auf eine beliebige Anzahl von Sprachen, Frameworks oder Problemen angewendet werden.

Ein Kurs in maschinellem Lernen

Das Wesentliche:  Ein gut lesbarer Text, der eine äußerst anfängerfreundliche Herangehensweise an das Thema bietet. Das Buch ist in Arbeit - einige Abschnitte sind noch mit TODO gekennzeichnet -, aber was ihm an Vollständigkeit fehlt, macht es an bloßer Zugänglichkeit wieder wett.

Zielgruppe:  Jeder, der sich mit Kalkül, Wahrscheinlichkeit und linearer Algebra auskennt. Es sind keine Kenntnisse in einer bestimmten Sprache erforderlich.

Code-Inhalt:  Einige Pseudocodes; Der Großteil der präsentierten Inhalte sind Konzepte und Formeln.

Die Elemente des statistischen Lernens

Das Wesentliche:  Ein mehr als 500 Seiten umfassender Text, der das behandelt, was die Autoren als "Lernen aus Daten" bezeichnen, die Prozesse der Verwendung von Statistiken, die die Grundlage für maschinelles Lernen bilden. Es hat seit 2001 aus gutem Grund zwei Ausgaben und zehn Drucke durchlaufen - es deckt ein riesiges Gebiet ab und ist nicht auf ein Feld beschränkt.

Zielgruppe:  Diejenigen, die bereits eine gute Grundlage in Mathematik und Statistik haben und nicht viel Handarbeit benötigen, um ihre mathematischen Fähigkeiten in guten Code umzusetzen.

Code-Inhalt:  Keine. Dies ist kein Text zur Softwareentwicklung. Hier geht es um grundlegende Konzepte rund um maschinelles Lernen.

In diesem Artikel erwähnt
  • Ein Kurs in maschinellem Lernen Erfahren Sie mehr über Hal Daumé III
  • Die Elemente des statistischen Lernens, 2. Aufl. Erfahren Sie mehr über die Stanford University
  • Bayesianisches Denken und maschinelles Lernen Erfahren Sie mehr über David Barber
  • Gaußsche Prozesse für maschinelles Lernen Erfahren Sie mehr über Gaußsche Prozesse für maschinelles Lernen ...
  • Maschinelles Lernen Erfahren Sie mehr über InTech

Bayesianisches Denken und maschinelles Lernen

Das Wesentliche:  Bayesianische Methoden stehen hinter allem, von Spam-Filtern bis hin zur Mustererkennung. Sie bilden daher ein wichtiges Forschungsgebiet für Mavens mit maschinellem Lernen. In diesem Text werden alle wichtigen Aspekte der Bayes'schen Statistik und ihre Anwendung auf gängige Szenarien beim maschinellen Lernen erläutert.

Zielgruppe:  Jeder, der sich mit Kalkül, Wahrscheinlichkeit und linearer Algebra auskennt.

Code-Inhalt: Viele! Jedes Kapitel enthält sowohl Pseudocode als auch Links zu einem Toolkit mit aktuellen Code-Demos. Der Code befindet sich jedoch nicht in Python oder R, sondern ist Code für die kommerzielle MATLAB-Umgebung, obwohl GNU Octave als Open-Source-Ersatz fungieren kann.

Gaußsche Prozesse für maschinelles Lernen

Das Wesentliche:  Gaußsche Prozesse gehören zur Familie der Analysen, die von Bayes'schen Methoden verwendet werden. Dieser Text konzentriert sich darauf, wie Gaußsche Konzepte in gängigen Methoden des maschinellen Lernens wie Klassifizierung, Regression und Modelltraining verwendet werden können.

Zielgruppe:  Ungefähr das Gleiche wie "Bayesian Reasoning and Machine Learning".

Code-Inhalt: Der  größte Teil des im Buch enthaltenen Codes ist Pesudocode, aber wie "Bayesian Reasoning and Machine Learning" enthalten die Anhänge Beispiele für MATLAB / Octave.

Maschinelles Lernen

Das Wesentliche: Eine Sammlung von Aufsätzen zu verschiedenen und hochspezifischen Aspekten des maschinellen Lernens. Einige sind allgemeiner und philosophischer; andere konzentrieren sich auf bestimmte Problembereiche wie "Methoden des maschinellen Lernens für die Simulation und Optimierung gesprochener Dialoge".

Zielgruppe:  Sowohl für Laien als auch für technisch Interessierte gedacht.

Code-Inhalt:  Praktisch keine, obwohl es viele Formeln gibt. Lesen Sie für Geschmack.