Если вы, как и я, заядлый читатель книг и хотите получить пошаговое руководство по использованию книг для машинного обучения, эта статья для вас. Я также добавлю некоторые личные комментарии (к книгам, которые я читал) или обычные комментарии (к книгам, которые я не читал).
Если вас интересует дорожная карта Full DataScience, ознакомьтесь с моей статьей. Это пошаговое руководство, охватывающее все, от математики до MLOP.
Книги в этой статье предполагают, что вы знаете Python. Итак, первая книга в списке ниже посвящена основам Python. Но для вас будет лучше прочитать книгу по Python или даже просто поучиться на YouTube. Если вам нужно предложение, оставьте его в комментариях, и я свяжусь с вами, как только смогу.
Книга 1 —
Python для анализа данных, автор Уэс МакКинни
Новичок должен начать с этой книги, поскольку она охватывает основы Python, ipython, NumPy, Pandas и Matplotlib, за которыми следуют несколько документированных проектов анализа данных с реализацией кода. Это поможет вам позже в сборе данных, исследовании и подготовке.
Очень часто мы пропускаем изучение numpy, pandas и matplotlib/seaborn, что создает много проблем позже, когда мы начинаем работать над сквозным машинным обучением для решения бизнес-проблемы. Так что лучше изучите их.
Книга 2 —
С книгой 2 вы начнете свое первое погружение в мир машинного обучения. Для книги 2 у меня есть три варианта для вас. Если у вас есть время, я бы посоветовал вам прочитать все три или хотя бы просмотреть их все 🙂. Я бы добавил комментарии к каждому из них, и вы можете выбрать тот, который вам больше всего нравится.
1)Практическое машинное обучение с помощью Scikit-Learn и TensorFlow от Герона Орельена
Эта книга богата теорией и реализацией кода. В этой книге вы не найдете много математических уравнений. Мне лично нравится теория каждого алгоритма ML.
Первая часть книги охватывает почти все алгоритмы машинного обучения как с учителем, так и без учителя, с микропроектами для каждого из них. Книга использует scikit-learn для реализации каждого алгоритма в первой части, и именно так я обычно реализую алгоритмы машинного обучения для своей повседневной работы (всего с несколькими пользовательскими реализациями). Глава 2 этой книги (все еще первая часть) посвящена сквозному проекту машинного обучения. Шаги в этом проекте пригодятся при мозговом штурме в начале проекта. Я начал свои первые несколько проектов ML, следуя упомянутым шагам. Я все еще учитываю эти шаги перед началом проекта.
Вторая часть посвящена глубокому обучению. Он начинается с подробных основ искусственных нейронных сетей и многослойных персептронов для задач регрессии и классификации [реализация кода в Tensorflow и keras]. Затем он охватывает такие важные темы, как инициализация веса, регуляризация, оптимизация, настройка гиперпараметров и т. д. После этого он также охватывает основы компьютерного зрения, моделей последовательностей, NLP, RL и GAN. Наконец, он завершается главой под названием Обучение и развертывание моделей TensorFlow в масштабе.
2) Стостраничная книга Андрея Буркова по машинному обучению
новичок в области машинного обучения найдет в этой книге достаточно деталей, чтобы получить удобный уровень понимания области и начать задавать правильные вопросы. Так как это всего 100 страниц, вы сможете завершить и понять концепции в кратчайшие сроки.
Опытный (если вы читали какую-то другую книгу, или учились другим способом, или делали какие-то проекты на kaggle) может использовать эту книгу как сборник указаний для дальнейшего самосовершенствования. Книга также пригодится при мозговом штурме в начале проекта.
Большинство разделов имеют QR-код. Отсканировав один из этих QR-кодов своим телефоном, вы получите ссылку на страницу на вики-компаньоне книги https://theMLbook.com с дополнительными материалами: рекомендуемыми материалами, видео, вопросами и ответами, фрагментами кода, учебными пособиями и другие бонусы.
Эта книга распространяется по принципу сначала прочитай, потом купи, что означает, что вы можете бесплатно скачать книгу, прочитать ее и поделиться ею с друзьями и коллегами. Если вы прочитали и вам понравилась книга, или она оказалась полезной или полезной в вашей работе, бизнесе или учебе, то купите ее.
3) Машинное обучение Python на примерах; Автор — Юйси (Хайден) Лю
Эта книга подробно объяснит концепции машинного обучения и науки о данных. Наряду с концепциями, есть куча проектов, которые вы можете практиковать. Если вы очень увлечены машинным обучением и хотите начать работать над заданиями по машинному обучению, эта книга для вас. Если вы учитесь, делая, то эта книга может быть для вас.
Охваченные проекты:
- Создание механизма рекомендации фильмов с помощью наивного Байеса
- Распознавание лиц с помощью машины опорных векторов
- Прогнозирование цен на акции с помощью искусственных нейронных сетей
- Принятие решений в сложных условиях с помощью обучения с подкреплением
Я не читал эту книгу. Итак, извините, если это не сильно помогло.
Если бы мне пришлось выбирать, я бы первым делом выбрал Hands-On Герона Орельена. Если у вас достаточно времени и терпения, выберите эту книгу. Но если вы этого не сделаете, прочтите Стостраничную книгу по машинному обучению, написаннуюАндреем Бурковым.
Книга 3 —
Инженерия машинного обучения, Андрей Бурков
Хотя книги 2 были ориентированы на исследования, это книга по прикладному машинному обучению, т. е. инженерные аспекты реализации проектов машинного обучения. Эта книга поможет вам после изучения структурных и функциональных аспектов алгоритмов машинного обучения, когда вы начнете создавать продукты на основе машинного обучения.
В этой книге даны ответы на такие вопросы, как сбор данных, хранение, предварительная обработка, проектирование функций, а также тестирование и отладка моделей, их развертывание и вывод из производства, время выполнения и обслуживание после производства.
Не пропускайте книги 2 и сразу приступайте к этой. В этой книге предполагается, что читатели поймут основы машинного обучения и смогут построить модель на основе правильно отформатированного набора данных с использованием любимого языка программирования или библиотеки машинного обучения.
Другая целевая аудитория этой книги — аналитики данных, которые склоняются к роли инженера по машинному обучению, инженеры по машинному обучению, которые хотят привнести больше структуры в свою работу, студенты, изучающие машинное обучение, а также архитекторы программного обеспечения, которым довелось иметь дело с моделями, предоставляемыми аналитики данных и инженеры по машинному обучению.
Прекрасной заменой этой книге будет книга Абхишека Тхакура Подход (почти) к любой проблеме машинного обучения. Я рекомендую использовать эту книгу для теории и Подход (почти) к любой проблеме машинного обучения Абхишека Тхакура для практических занятий.
Заключительные слова
Это руководство по книге + множество проектов помогут вам стать хорошим инженером машинного обучения. Помимо практической книги, никакие другие книги не охватывают глубокое обучение. Так что, даже если вы читали другую книгу по алгоритмам машинного обучения, вам лучше прочитать раздел «Глубокое обучение» из книги «Практическое обучение». Это поможет вам понять основы. После всего этого вы можете изучить компьютерное зрение, НЛП и другие области, чтобы найти то, что вам нравится.
Если вам нужны предложения или помощь, оставьте комментарий здесь или свяжитесь со мной по адресу: [email protected].