Je trouve les ressources comme le livre de recettes Probability and Statistics et la carte de référence R pour l'exploration de données extrêmement utiles. Ils servent évidemment de références, mais ils m'aident également à organiser mes réflexions sur un sujet et à comprendre le terrain.
Q: Existe-t-il des ressources similaires à ces ressources pour les méthodes d’apprentissage automatique?
J'imagine une carte de référence qui, pour chaque méthode ML, comprendrait:
- Les propriétés générales
- Quand la méthode fonctionne bien
- Quand la méthode fait mal
- A partir de ou à quelles autres méthodes la méthode généralise. At-il été en grande partie remplacé?
- Papiers séminaux sur la méthode
- Problèmes ouverts associés à la méthode
- Intensité de calcul
Toutes ces choses peuvent être trouvées avec un minimum de fouilles dans les manuels scolaires, j'en suis sûr. Ce serait très pratique de les avoir sur quelques pages.
machine-learning
references
hauteur
la source
la source
Réponses:
Certaines des meilleures ressources librement disponibles sont:
En ce qui concerne la question de l'auteur, je n'ai pas rencontré la solution "Tout en une page"
la source
Si vous voulez apprendre le Machine Learning, je vous conseille vivement de vous inscrire au cours gratuit de ML en ligne dispensé en hiver par le professeur Andrew Ng .
J’ai fait le précédent à l’automne et tout le matériel d’apprentissage est d’une qualité exceptionnelle et est conçu pour des applications pratiques.
Il est également assez facile à mettre en œuvre avec de bonnes explications intuitives et un minimum de calculs.
la source
Oui, vous allez bien "Pattern Recognition and Machine Learning" de Christopher Bishop est un excellent livre de référence, vous ne pouvez pas vous tromper.
Un livre assez récent, mais aussi très bien écrit et tout aussi large, est " Bayesian Reasoning and Machine Learning " de David Barber ; Je pense qu'un livre est légèrement plus approprié pour un nouveau venu sur le terrain.
J'ai utilisé "Les éléments de l'apprentissage statistique" de Hastie et al. (mentionné par Macro) et bien que ce soit un livre très solide, je ne le recommanderais pas comme première référence; cela vous servirait peut-être mieux comme deuxième référence pour des sujets plus spécialisés. À cet égard, le livre de David MacKay, Théorie de l'information, inférences et algorithmes d'apprentissage , peut également faire un travail remarquable.
la source
Comme le consensus semble être que cette question n'est pas une duplication, j'aimerais partager mon préféré pour les débutants en apprentissage:
Je trouvais le livre le plus facile à programmer pour les débutants dans la programmation de l’Intelligence collective , puisque l’auteur Toby Segaran s’efforce de permettre au développeur de logiciel médian de se salir le plus rapidement possible avec le piratage de données.
Chapitre typique: Le problème de données est clairement décrit, suivi d’une explication sommaire du fonctionnement de l’algorithme et montre enfin comment créer des informations avec seulement quelques lignes de code.
L'utilisation de python permet de tout comprendre assez rapidement (vous n'avez pas besoin de connaître python, sérieusement, je ne le savais pas avant aussi). NE PENSEZ PAS que ce livre se concentre uniquement sur la création d'un système de recommandation. Il traite également de l'extraction de texte / filtrage du courrier indésirable / optimisation / regroupement / validation, etc.
la source
Witten et Frank, "Data Mining", Elsevier 2005 est un bon livre pour l’autoapprentissage, car il existe une bibliothèque de code Java (Weka) qui va avec le livre et qui est très pratique. Je soupçonne qu'il existe une édition plus récente que celle que j'ai.
la source
J'ai un apprentissage automatique: une perspective algorithmique de Stephen Marsland et je le trouve très utile pour l'auto-apprentissage. Le code Python est donné tout au long du livre.
Je suis d'accord avec ce qui est dit dans cette critique favorable:
http://blog.rtwilson.com/review-machine-learning-an-algorithmic-perspective-by-stephen-marsland/
la source
"Elements of Statistical Learning" serait un excellent livre pour vos objectifs. La cinquième édition du livre, publiée au début de 2011, est disponible gratuitement à l' adresse http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf.
la source
la source
Le référentiel awesome-machine-learning semble être une liste maîtresse de ressources, y compris du code, des tutoriels et des livres .
la source
La plupart des livres mentionnés dans les autres réponses sont très bons et vous ne pouvez pas vous tromper avec l’un d’eux. De plus, je trouve la feuille de triche suivante pour Python
scikit-learntrès utile.la source
J'aime "classification des modèles" de Duda, Hart et Stork. Ceci est une révision récente d'un texte classique qui explique très bien tout. Pas sûr qu'il soit mis à jour pour avoir une grande couverture des réseaux de neurones et des SVM. Le livre de Hastie, Tibshirani et Friedman est à peu près le meilleur qui soit mais il est peut-être un peu plus technique que ce que vous recherchez et est détaillé plutôt qu'un aperçu du sujet.
la source
Microsoft Azure fournit également une aide-mémoire similaire à celle de scikit-learn publiée par Anton Tarasenko.
(source: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet )
Ils l'accompagnent d'un avis:
Microsoft fournit également un article d'introduction fournissant des détails supplémentaires.
Veuillez noter que ces matériaux sont axés sur les méthodes implémentées dans Microsoft Azure.
la source
Ne commencez pas par des éléments d'apprentissage statistique. C’est génial, mais c’est un livre de référence qui ne sonne pas exactement comme ce que vous recherchez. Je commencerais par la programmation de l'intelligence collective, car c'est une lecture facile.
la source
Pour un premier livre sur l'apprentissage automatique, qui explique très bien les principes, je recommande fortement
Le livre de Chris Bishop, ou celui de David Barber, font tous les deux de bons choix pour un livre de plus grande ampleur, une fois que vous maîtrisez bien les principes.
la source
J'ai écrit un résumé de ce type, mais sur une seule tâche d'apprentissage automatique (prix Netflix), et il compte 195 pages: http://arek-paterek.com/book
la source
Vérifiez ce lien contenant des livres électroniques gratuits sur l’apprentissage automatique: http://designimag.com/best-free-machine-learning-ebooks/ . cela pourrait vous être utile.
la source
Un bon aide-mémoire est celui de Max Kuhn dans le livre Applied Predictive Modeling . Dans le livre, il y a un bon tableau de synthèse de plusieurs modèles d'apprentissage du ML. Le tableau est en annexe A page 549.
la source