Książka kucharska maszynowego uczenia się / karta referencyjna / ściągawka?

Uważam, że zasoby takie jak książka prawdopodobieństwa i statystyki oraz karta referencyjna R do wyszukiwania danych są niezwykle przydatne. Służą oczywiście jako odniesienia, ale także pomagają mi uporządkować myśli na dany temat i uzyskać ukształtowanie terenu.

P: Czy istnieją podobne zasoby do metod uczenia maszynowego?

Wyobrażam sobie kartę referencyjną, która dla każdej metody ML obejmuje:

• Ogólne właściwości
• Kiedy metoda działa dobrze
• Kiedy metoda źle się sprawdza
• Z których lub do jakich innych metod metoda się uogólnia. Czy został w większości zastąpiony?
• Artykuły na temat metody
• Otwarte problemy związane z metodą
• Intensywność obliczeniowa

Wszystkie te rzeczy można znaleźć przy minimalnym przekopywaniu podręczników, jestem pewien. Byłoby po prostu bardzo wygodnie mieć je na kilku stronach.

Niektóre z najlepszych i swobodnie dostępnych zasobów to:

• Hastie, Friedman i in. Elementy uczenia statystycznego: eksploracja danych, wnioskowanie i przewidywanie
• David Barber. Rozumowanie Bayesa i uczenie maszynowe
• David MacKay. Teoria informacji, wnioskowanie i algorytmy uczenia się (http://www.inference.phy.cam.ac.uk/mackay/itila/)

Co do pytania autora, nie spotkałem rozwiązania „Wszystko na jednej stronie”

Jeśli chcesz nauczyć się uczenia maszynowego, zdecydowanie radzę zapisać się na bezpłatny kurs ML online zimą prowadzony przez prof. Andrew Ng .

Zrobiłem poprzedni na jesieni i wszystkie materiały do ​​nauki są wyjątkowej jakości i nastawione na praktyczne zastosowania, i o wiele łatwiej jest udawać, że sam zmaga się z książką.

Zrobił też dość nisko wiszący owoc z dobrymi intuicyjnymi wyjaśnieniami i minimalną ilością matematyki.

Tak, wszystko w porządku; „Rozpoznawanie wzorców i uczenie maszynowe” Christophera Bishopa to doskonała książka, do której można się odwoływać, naprawdę nie można się z nią pomylić.

Dość nową książką, ale także bardzo dobrze napisaną i równie szeroką, jest „ Bayesian Reasoning and Machine Learning ” Davida Barbera ; książka, którą uważam, jest nieco bardziej odpowiednia dla początkujących w tej dziedzinie.

Użyłem „elementów statystycznego uczenia się” Hastie i in. (wspomniane przez Macro) i chociaż jest to bardzo mocna książka, nie poleciłbym jej jako pierwszego odniesienia; może lepiej posłuży ci jako drugi punkt odniesienia dla bardziej specjalistycznych tematów. W tym aspekcie książka Davida MacKaya, Teoria informacji, Wnioskowanie i Algorytmy uczenia się również może zrobić świetną robotę.

Ponieważ wydaje się, że konsensus jest taki, że to pytanie nie jest duplikatem, chciałbym podzielić się moim ulubionym dla początkujących uczniów maszyn:

Programowanie Kolektywna Inteligencja uważam za najłatwiejszą książkę dla początkujących, ponieważ autor Toby Segaran koncentruje się na tym, aby środkowy twórca oprogramowania mógł jak najszybciej zabrudzić ręce hakowaniem danych.

Typowy rozdział: Problem danych jest jasno opisany, a następnie z grubsza wyjaśnione, jak działa algorytm, a na koniec pokazuje, jak stworzyć pewne spostrzeżenia za pomocą zaledwie kilku wierszy kodu.

Zastosowanie Pythona pozwala zrozumieć wszystko dość szybko (nie trzeba znać Pythona, tak naprawdę, nie znałem go też wcześniej). NIE myśl, że ta książka koncentruje się tylko na tworzeniu systemu rekomendacji. Zajmuje się także eksploracją tekstu / filtrowaniem spamu / optymalizacją / klastrowaniem / sprawdzaniem poprawności itp., A zatem zapewnia uporządkowany przegląd podstawowych narzędzi każdego eksploratora danych.

Witten i Frank, „Data Mining”, Elsevier 2005 to dobra książka do samodzielnego uczenia się, ponieważ istnieje biblioteka kodu Java (Weka), która jest zgodna z książką i jest bardzo praktyczna. Podejrzewam, że istnieje nowsza edycja niż ta, którą posiadam.

Mam Machine Learning: An Algorytmic Perspective autorstwa Stephena Marslanda i uważam, że jest bardzo przydatna do samodzielnego uczenia się. Kod Pythona jest podany w całej książce.

Zgadzam się z tym, co zostało powiedziane w tej przychylnej recenzji:

http://blog.rtwilson.com/review-machine-learning-an-alametermic-perspective-by-stephen-marsland/

„Elementy statystycznego uczenia się” byłyby świetną książką do twoich celów. Piąte wydanie książki, które zostało opublikowane na początku 2011 r., Jest dostępne bezpłatnie pod adresem http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

• http://scikit-learn.org/stable/tutorial/machine_learning_map/

Często najtrudniejszą częścią rozwiązania problemu uczenia maszynowego może być znalezienie odpowiedniego estymatora dla zadania. Różne estymatory lepiej nadają się do różnych typów danych i różnych problemów. Poniższy schemat blokowy ma na celu przybliżenie użytkownikom sposobów podejścia do problemów dotyczących tego, które estymatory mają wypróbować dane. Kliknij dowolny estymator na poniższym wykresie, aby zobaczyć jego dokumentację.

Niesamowite-maszyna-learning repozytorium wydaje się być lista mistrz zasobów, w tym kodu, samouczków i książek .

Większość książek wymienionych w innych odpowiedziach jest bardzo dobra i tak naprawdę nie można się pomylić z żadną z nich. Dodatkowo uważam, że poniższy ściągawka dla Pythona jest scikit-learndość przydatny.

Lubię „Klasyfikację wzorów” Dudy, Harta i Bociana. To najnowsza wersja klasycznego tekstu, który bardzo dobrze wyjaśnia wszystko. Nie jestem pewien, czy został zaktualizowany, aby mieć duży zasięg sieci neuronowych i SVM. Książka Hastie, Tibshirani i Friedmana jest o najlepszych, jakie istnieją, ale może być nieco bardziej techniczna niż to, czego szukasz i jest bardziej szczegółowa niż przegląd tematu.

Microsoft Azure zapewnia także podobny ściągawka do scikit-learn opublikowanego przez Antona Tarasenko.

(źródło: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-alameterm-cheat-sheet )

Towarzyszą mu zawiadomienie:

Sugestie oferowane w tym ściągu algorytmów są przybliżonymi zasadami. Niektóre mogą być wygięte, a niektóre rażąco naruszone. Ma to sugerować punkt wyjścia. (...)

Microsoft dodatkowo udostępnia artykuł wprowadzający zawierający dalsze szczegóły.

Zwróć uwagę, że materiały te koncentrują się na metodach wdrożonych na Microsoft Azure.

Nie zaczynaj od elementów uczenia statystycznego. Jest świetny, ale jest to książka informacyjna, która nie brzmi tak, jak tego szukasz. Zacznę od programowania kolektywnej inteligencji, ponieważ jest to łatwa lektura.

Jeśli chodzi o pierwszą książkę o uczeniu maszynowym, która dobrze wyjaśnia zasady, zdecydowanie polecam

Rogers and Girolami, A First Course in Machine Learning , (Chapman & Hall / CRC Machine Learning & Recognition), 2011.

Książka Chrisa Bishopa lub David Barber dokonują dobrego wyboru książki o większej szerokości, gdy tylko dobrze zrozumiesz zasady.

Napisałem takie podsumowanie, ale tylko na jednym zadaniu uczenia maszynowego (Nagroda Netflix) i ma 195 stron: http://arek-paterek.com/book

Sprawdź ten link z darmowymi ebookami na temat uczenia maszynowego: http://designimag.com/best-free-machine-learning-ebooks/ . może ci się przydać.

Dobrym cheatheetem jest ten z książki Maxa Kuhna Applied Predictive Modeling . W książce znajduje się dobra tabela podsumowująca kilka modeli uczenia się ML. Tabela znajduje się w załączniku A strona 549.