Książka do czytania przed elementami uczenia statystycznego?

50

Na podstawie tego postu chcę przeanalizować elementy uczenia statystycznego. Na szczęście jest dostępny za darmo i zacząłem go czytać.

Nie mam wystarczającej wiedzy, aby to zrozumieć. Czy możesz polecić książkę, która jest lepszym wprowadzeniem do tematów książki? Mam nadzieję, że coś, co da mi wiedzę potrzebną do zrozumienia tego?

Związane z:

Czy silne doświadczenie matematyczne to całkowity wymóg ML?

machine-learning references nieznanych
źródło
12
Odkryłem, że Algebra liniowa Stranga i jej zastosowania są niezwykle przydatne w zrozumieniu manipulacji matrycowych, które stanowią dużą część elementów.
richiemorrisroe

Odpowiedzi:

18

Kupiłem, ale jeszcze nie przeczytałem

S. Marsland, Machine Learning: An Algorytmic Perspective , Chapman & Hall, 2009.

Jednak recenzje są pozytywne i stwierdzają, że są bardziej odpowiednie dla początkujących niż inne książki ML o większej głębi. Przewracając strony, wydaje mi się, że jestem dla mnie dobry, ponieważ mam małe doświadczenie matematyczne.

Steve P.
źródło
Wygląda świetnie - bardzo dostępny.
B Siedem,
Pobrałem i przeczytałem „próbkę” - wszystkie 19 stron (wow). Jest o wiele łatwiejszy do zrozumienia niż elementy uczenia statystycznego. Zdecydowanie wydaje się być tym, czego szukam. Dzięki.
B Siedem,
4
Dokonałem edycji twojego pytania, aby podać cytat z książki. Ogólnie rzecz biorąc, odradza się umieszczanie takich odpowiedzi jak „lubię ten ” w odpowiedzi, ponieważ jeśli link się zepsuje, nikt nie będzie wiedział, do czego odnosi się „ten”. Twoje zdrowie.
kardynał
Właśnie to dostałem i zacząłem czytać (pierwsze 75 stron). To jest wspaniałe. Bardzo łatwy do zrozumienia, ale wystarczająco szczegółowy, aby był praktyczny i użyteczny. Wysoce zalecane dla każdego, kto chce korzystać z uczenia maszynowego. Dokładnie tego szukałem. Dzięki!
B, 7
39

Autorzy Elements of Statistics Learning opublikowali nową książkę (sierpień 2013 r.) Skierowaną do użytkowników bez dużego tła matematycznego. Wprowadzenie do uczenia statystycznego: z aplikacjami w języku R

Bezpłatną wersję PDF tej książki można obecnie znaleźć tutaj .

Brian
źródło
Chciałem to zasugerować od czasu ostatniego wydania i jest oczywiście ściśle związane z obiektywnym tekstem plakatu. Dobra rekomendacja.
Chris Simokat,
3
Co więcej, autorzy ogłosili, że bezpłatny internetowy plik PDF tej książki będzie dostępny od stycznia 2013 r. (Jest używany w MOOC, które prowadzą).
Flądrowiec
16

Programowanie kolektywnej inteligencji uważam za najłatwiejszą książkę dla początkujących, ponieważ autor Toby Segaran koncentruje się na tym, aby środkowy twórca oprogramowania mógł jak najszybciej ubrudzić swoje 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.

Rozdział 10 dotyczy nawet danych giełdowych, ale nie skupia się na eksploracji szeregów czasowych. Być może jedyna wada (dla ciebie) tej doskonałej książki.

steffen
źródło
Jest dostępny na Safari Books Online safaribooksonline.com . Dzięki.
B Siedem,
1
Mam tę książkę i zacząłem nad nią pracować. To jest bardzo praktyczne. Na pierwszych 18 stronach wdrażasz kompletny (podstawowy) silnik rekomendacji.
B, 7
Wow, ta książka jest naprawdę niesamowita. Nauczy Cię, jak zaimplementować wszelkiego rodzaju algorytmy uczenia maszynowego za pomocą małego kodu Python. Jedna z najbardziej praktycznych książek w historii. Jedyną wadą jest to, że Python został zaktualizowany od czasu wydania książki. Korzysta również z wielu interfejsów API, które również się zmieniły. Więc nie sądzę, żeby przykłady działały bez drobnych poprawek.
B, 7
@BSeven dziękuję, nie wiedziałem o tym. Nie jestem pewien, czy wolę książkę, która wykorzystuje wcześniej istniejące biblioteki (co na ogół jest rzeczą możliwą) lub własny kod (który działa na wszystkich przykładach książek, ale może być mniej solidny ze względu na mniej użytkowników).
steffen,
1
Myślę, że w dzisiejszych czasach jedynym wyborem są istniejące biblioteki. Są wszechobecne, łatwe do zintegrowania, wieloplatformowe, wielojęzyczne i szybkie. Poza tym, jeśli książka ma własny kod, znacznie trudniej jest ją zmodyfikować. Łatwiej jest modyfikować wywołania do biblioteki. Dziękuję za rekomendację. To świetny zasób.
B, 7
13

Wstęp do uczenia maszynowego , E. Alpaydin (MIT Press, 2010, wyd. 2), obejmuje wiele tematów z ładnymi ilustracjami (podobnie jak Bishop's Pattern Recognition and Machine Learning ).

Ponadto Andrew W. Moore ma kilka ciekawych samouczków na temat eksploracji danych statystycznych .

chl
źródło
(+1) Nie znam tej książki, ale tutoriale Andrew Moore'a są świetne (a czasem nawet rozrywkowe)
steffen
@steffen Poleciłbym również statystyczne metody Radforda Neale'a do uczenia maszynowego i eksploracji danych .
chl
1
+1 Alpaydin jest właściwą drogą. Byłem w takiej samej sytuacji jak OP kilka miesięcy temu. Ciężko walczyła z Tibshirani, a potem natknęła się na Alpaydina i od tamtej pory sytuacja była znacznie lepsza. W końcu jednak uważam, że Tibshirani to obowiązkowa lektura.
Andy
10

Być może wszystkie statystyki Wassermana byłyby interesujące. Możesz spróbować książki z podanego linku - i tylko kilka pierwszych akapitów przedmowy stanowi trudną sprzedaż na twoim rynku - i prawdopodobnie możesz pobrać książkę bezpłatnie przez Springera, jeśli jesteś związany z uniwersytetem.

EDYCJA: Ups, nie zauważyłem, jak starożytny był ten wątek.

chłopak
źródło
5
Nie ma znaczenia, zalecenie jest nadal przydatne dla wszystkich, którzy czytają wątek (jak ja; o).
Dikran Marsupial
1
Świetna książka, ale uczciwie, jeśli można przeczytać i zrozumieć wszystkie statystyki , duża część ESL jest zbędna.
usεr11852 mówi: Przywróć Monic
7

Elementy uczenia statystycznego mogą być trudne do odczytania, szczególnie dla osób samouczących się. Szukając wyjaśnień w drugim rozdziale natknąłem się na następujący zasób: https://waxworksmath.com/Authors/G_M/Hastie/WriteUp/Weatherwax_Epstein_Hastie_Solution_Manual.pdf . Zawiera ponad 100 stron adnotacji i wyjaśnień, które wyjaśniają niektóre skomplikowane momenty książki. Świetne źródło informacji dla wszystkich czytających tę książkę. Ten uzupełniający tekst zawiera rozwiązania do ćwiczeń.

Kirill Dubovikov
źródło
5

Zdecydowanie polecam Pierwszy kurs uczenia maszynowego autorstwa Rogersa i Girolami. Obejmuje kluczowe pomysły w bardzo logicznej kolejności, z dobrymi przykładami i minimalnym poziomem matematyki, aby mieć właściwe podstawy w podstawach. Nie ma zasięgu niektórych książek, ale właśnie dlatego jest tak dobry jak tekst wprowadzający.

Dikran Torbacz
źródło
Wygląda na dobrą pierwszą książkę. I jest wersja Kindle.
B, 7
3

Kolejną bardzo interesującą książką jest Bayesian Reasoning i Machine Learning autorstwa Davida Barbera. Książka jest dostępna do bezpłatnego pobrania ze strony autora: http://www.cs.ucl.ac.uk/staff/d.barber/brml/

użytkownik111093
źródło