Phenquestions
Het is dan ook geen verrassing dat zoveel mensen overwegen om de fascinerende wereld van computeralgoritmen te betreden die automatisch verbeteren door ervaring. Als jij een van hen bent - of als je gewoon voorbij de hype wilt kijken en wilt begrijpen waar machine learning echt over gaat - kan onze selectie van de top 20 beste leerboeken voor machine learning je helpen je doelen te bereiken.
Kunstmatige intelligentie: een moderne benadering (4e editie) door Peter Norvig en Stuart J. Russell
Beschikbaar: op Amazon
gepubliceerd: 2020
Aantal pagina's: 1136
Het was niet moeilijk om te beslissen met welk leerboek voor machine learning te beginnen, omdat Artificial Intelligence: A Modern Approach door universiteiten over de hele wereld wordt aanbevolen aan studenten. Nu in zijn 4dit editie, doet het boek fantastisch werk door het gebied van kunstmatige intelligentie (machine learning is een subset van AI) voor beginners te introduceren, en het behandelt ook een breed scala aan gerelateerde onderzoeksonderwerpen, met nuttige referenties voor verdere studie. Volgens de auteurs zou dit grote leerboek ongeveer twee semesters in beslag moeten nemen, dus verwacht niet dat het snel gelezen zal worden.
Patroonherkenning en machinaal leren door Christopher M. Bisschop
Beschikbaar: op Amazon
gepubliceerd: 2011
Aantal pagina's: 738
Denk hierbij aan patroonherkenning en machine learning van Christopher M. Bisschop als een zachte (althans voor zover het leerboeken voor machine learning betreft) inleidende cursus voor de theorie achter machine learning. Het leerboek bevat meer dan 400 oefeningen die zijn gerangschikt op moeilijkheidsgraad, en er is nog veel meer aanvullend materiaal beschikbaar op de website. Verwacht alleen niet te weten hoe je de theorie moet toepassen die het leerboek leert wanneer je de laatste pagina bereikt - daar zijn andere boeken voor.
Deep Learning door Goodfellow et. al
Beschikbaar: op Amazon
gepubliceerd: 2016
Aantal pagina's: 800
Als je Elon Musk zou vragen om je een boek over machine learning aan te bevelen, dan is dit het boek dat hij zou aanbevelen. Hij zegt ooit dat Deep Learning het enige complete boek over dit onderwerp is. Het boek behandelt alles, van de wiskundige en conceptuele achtergrond tot toonaangevende deep learning-technieken en de nieuwste onderzoeksperspectieven. We raden je aan de elektronische versie te kopen, omdat Deep Learning berucht is om zijn slechte afdrukkwaliteit.
De elementen van statistisch leren: datamining, inferentie en voorspelling, tweede editie door Hastie, Tibshirani en Friedman
Beschikbaar: op Amazon
gepubliceerd: 2016
Aantal pagina's: 767
Laat je niet afschrikken door de titel van dit leerboek. Als je machine learning echt wilt begrijpen en toepassen om moeilijke problemen op te lossen, moet je wennen aan het lezen van leerboeken die niet erg benaderbaar lijken. Hoewel het leerboek een beslissende statistische benadering heeft, hoef je geen statisticus te zijn om het te lezen, omdat het concepten eerder dan wiskunde benadrukt.
Hands-on machine learning met Scikit-Learn, Keras en TensorFlow: concepten, tools en technieken om intelligente systemen te bouwen (2nd editie) door Aurélien Géron
Beschikbaar: op Amazon
gepubliceerd: 2019
Aantal pagina's: 856
Scikit-Learn, Keras en TensorFlow zijn drie populaire bibliotheken voor machine learning, en dit leerboek richt zich op hoe ze kunnen worden gebruikt om machine learning-programma's te maken die echte problemen oplossen. Dankzij het beginnersvriendelijke karakter van deze bibliotheken is minimale theoretische achtergrondkennis vereist om dit leerboek te lezen, waardoor het geweldig is voor diegenen die een intuïtief begrip van machine learning willen krijgen door iets nuttigs te bouwen.
Machine learning begrijpen: van theorie tot algoritmen door Shai Shalev-Shwartz en Shai Ben-David
Beschikbaar: op Amazon
gepubliceerd: 2014
Aantal pagina's: 410
Veel leerboeken over machinaal leren zijn moeilijk door te komen omdat hun auteurs niet in staat zijn zichzelf in de schoenen te verplaatsen van iemand die nieuw is in het vakgebied, maar deze niet. Inzicht in machine learning begint met een duidelijke inleiding tot statistische machine learning. Vervolgens verbindt het de theoretische concepten met praktische algoritmen zonder te omslachtig of te vaag te zijn. Of je nu je kennis wilt opfrissen of een levenslange reis in de branche wilt maken, aarzel niet om dit leerboek te pakken.
Machine learning: een probabilistisch perspectief door Kevin P. Murphy
Beschikbaar: op Amazon
gepubliceerd: 2012
Aantal pagina's: 1104
Zoals de titel van dit boek suggereert, is deze inleiding tot machine learning gebaseerd op probabilistische modellen om patronen in gegevens te detecteren en deze te gebruiken om voorspellingen te doen over toekomstige gegevens. Het boek is in een prettige, informele stijl geschreven en maakt veel gebruik van illustraties en praktijkvoorbeelden. De beschreven modellen zijn geïmplementeerd met behulp van Probabilistic Modeling Toolkit, een MATLAB-softwarepakket dat u van internet kunt downloaden. Helaas wordt de toolkit niet langer ondersteund omdat in de nieuwe versie van dit boek Python wordt gebruikt.
Informatietheorie, gevolgtrekking en leeralgoritmen door David J. C. MacKay
Beschikbaar: op Amazon
gepubliceerd: 2003
Aantal pagina's: 640
Ja, dit leerboek is bijna 20 jaar geleden uitgebracht, maar dat maakt het niet minder relevant vandaag. Machine learning is immers lang niet zo jong als de recente hype eromheen doet vermoeden. Wat maakt informatietheorie, gevolgtrekking en leeralgoritmen door David J. C. MacKay zo tijdloos is zijn multidisciplinaire aanpak die zorgt voor voldoende verbindingen tussen verschillende vakgebieden. Op zichzelf is het niet erg handig omdat het niet genoeg praktische voorbeelden bevat, maar het werkt prima als een inleidend leerboek.
Een inleiding tot statistisch leren: met toepassingen in R door Gareth M. James, Trevor Hastie, Daniela Witten en Robert Tibshirani
Beschikbaar: op Amazon
gepubliceerd: 2013
Aantal pagina's: 440
Je kunt An Introduction to Statistical Learning beschouwen als een toegankelijker alternatief voor The Elements of Statistical Learning, waarvoor geavanceerde kennis van wiskundige statistiek vereist is. Om dit leerboek af te maken, zou je perfect in orde moeten zijn met een bachelor in wiskunde of statistiek. Op zijn 440 pagina's geven de auteurs een overzicht van het gebied van statistisch leren en presenteren belangrijke modellerings- en voorspellingstechnieken, compleet met hun toepassingen.
Het honderd pagina's tellende machine learning-boek van Andriy Burkov
Beschikbaar: op Amazon
gepubliceerd: 2019
Aantal pagina's: 160
Terwijl de meeste studieboeken die in dit artikel worden vermeld dichter bij de duizend pagina's liggen, legt dit dunne boek, dat begon als een uitdaging op LinkedIn, veel uit op slechts een honderdtal pagina's. Een van de redenen waarom The Hundred-Page Machine Learning Book meteen een hit werd, is de duidelijke taal, die een welkome afwijking is van stijve academische papers. We raden dit boek aan aan software-engineers die denken dat ze de beschikbare machine learning-tools kunnen gebruiken, maar niet weten waar ze moeten beginnen. Dat gezegd hebbende, kan iedereen met interesse in machine learning van het boek genieten, omdat het concepten benadrukt boven code.
Inleiding tot machine learning met Python: een gids voor gegevenswetenschappers door Andreas C. Müller en Sarah Guido
Beschikbaar: op Amazon
gepubliceerd: 2016
Aantal pagina's: 400
Als je vloeiend bent in Python en graag aan de slag wilt met machine learning door praktische oplossingen voor echte problemen te bouwen, dan is dit het juiste boek voor jou. Nee, je leert niet te veel theorie, maar alle fundamentele concepten worden goed behandeld en er zijn veel andere boeken die de rest behandelen. Om het meeste uit Inleiding tot Machine Learning met Python te halen, moet u op zijn minst enige bekendheid hebben met de NumPy- en matplotlib-bibliotheken.
Toegepaste voorspellende modellering door Max Kuhn en Kjell Johnson
Beschikbaar: op Amazon
gepubliceerd: 1e druk. 2013, Corr. 2e druk 2018
Aantal pagina's: 613
Dit leerboek biedt een inleiding tot voorspellende modellen, die gegevens en statistieken gebruiken om resultaten te voorspellen met gegevensmodellen. Het begint met gegevensverwerking en gaat verder met moderne regressie- en classificatietechnieken, waarbij altijd de nadruk wordt gelegd op echte gegevensproblemen. U kunt alle modellen die in het boek worden uitgelegd eenvoudig implementeren dankzij de meegeleverde R-code, die precies laat zien wat u moet doen om tot een werkende oplossing te komen.
Diep leren met Python door François Chollet
Beschikbaar: op Amazon
gepubliceerd: 2017
Aantal pagina's: 384
Je bent misschien al bekend met de auteur van dit leerboek voor machine learning, omdat hij verantwoordelijk is voor een open-source neurale netwerkbibliotheek genaamd Keras, misschien wel de meest populaire machine learning-bibliotheek geschreven in Python. Gezien deze informatie en de titel van het leerboek, zou het je niet moeten verbazen dat dit de beste Keras-spoedcursus is die er is. Praktische technieken hebben prioriteit boven theorie, maar dat betekent alleen dat je geavanceerde machine learning-taken in slechts een paar weken kunt oplossen.
Machine Learning door Tom M. Mitchell
Beschikbaar: op Amazon
gepubliceerd: 1997
Aantal pagina's: 414
Dit boek, gepubliceerd in 1997, introduceert alle soorten machine learning-algoritmen in een taal die alle CS-afgestudeerden zouden moeten kunnen begrijpen. Als je het type persoon bent dat een breed begrip van een bepaald onderwerp moet hebben voordat je je op je gemak voelt om er diep in te duiken, dan zul je het geweldig vinden hoe de informatie in dit boek wordt gepresenteerd. Verwacht alleen geen Machine Learning van Tom M. Mitchell om een praktische gids te zijn, want dat is niet wat dit boek hoort te zijn.
Aangedreven toepassingen voor machine learning bouwen: van idee naar product gaan door Emmanuel Ameisen
Beschikbaar: op Amazon
gepubliceerd: 2020
Aantal pagina's: 260
Het is één ding om machine learning-modellen te begrijpen, en het is iets heel anders om te weten hoe je ze in productie kunt brengen. Dit relatief dunne boek van Emmanuel Ameisen legt precies dat uit en begeleidt u bij elke stap van het proces, van het eerste idee tot het geïmplementeerde product. Het bouwen van door machine learning aangedreven applicaties kan worden aanbevolen aan beginnende datawetenschappers en ML-ingenieurs die de theorie onder de knie hebben maar deze nog niet in de industrie hebben toegepast.
Versterkend leren: een inleiding (2e editie) door Richard S. Sutton, Andrew Go. Barto
Beschikbaar: op Amazon
gepubliceerd: 2018
Aantal pagina's: 552
Reinforcement learning is een gebied van machine learning dat zich bezighoudt met het trainen van machine learning-modellen om acties te ondernemen in een complexe, onzekere omgeving om de totale hoeveelheid ontvangen beloningen te maximaliseren. Als dit interessant voor je klinkt, aarzel dan niet om dit boek te kopen, want het wordt algemeen beschouwd als de bijbel van het onderwerp. De tweede editie bevat veel belangrijke structurele en inhoudelijke wijzigingen, dus zorg dat je deze indien mogelijk krijgt.
Leren van gegevens door Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Beschikbaar: op Amazon
gepubliceerd: 2012
Aantal pagina's: 213
Leren van gegevens is een korte maar relatief complete inleiding tot machine learning en de praktische toepassingen ervan in financiën, handel, wetenschap en techniek. Het boek is gebaseerd op meer dan tien jaar lesmateriaal, dat de auteurs hebben gedestilleerd tot een selectie van kernonderwerpen die iedereen die geïnteresseerd is in het onderwerp zou moeten begrijpen. Het is geweldig voor beginners die niet veel tijd hebben om de theorie van machine learning te bestuderen, vooral als ze samen met Yaser's lezingenreeks op YouTube worden gelezen.
Neurale netwerken en diep leren: een leerboek door Charu C. Aggarwal
Beschikbaar: op Amazon
gepubliceerd: 2018
Aantal pagina's: 497
Neurale netwerken zijn een manier om aan machine learning te doen, en dit leerboek kan je helpen de theorie erachter te begrijpen. Net als machine learning in het algemeen, is dit boek wiskundig intens, dus verwacht niet te ver te komen als je wiskunde roestig is. Dat gezegd hebbende, doet de auteur uitstekend werk door de wiskunde achter alle gegeven voorbeelden uit te leggen en de lezer door verschillende ingewikkelde scenario's te leiden.
Machine Learning voor absolute beginners: een eenvoudige Engelse introductie (2 .)nd Editie) door Oliver Theobald
Beschikbaar: op Amazon
gepubliceerd: 2017
Aantal pagina's: 157
Als je interesse hebt in machinaal leren, maar je niet per se op je gemak voelt bij het lezen van lange leerboeken over dit onderwerp, geef je misschien de voorkeur aan dit beginnersvriendelijke boek, dat een praktische en hoogwaardige introductie tot machinetaal biedt met behulp van gewoon Engels. Aan het einde van dit boek weet u hoe u huiswaarden kunt voorspellen met behulp van uw eerste machine learning-model dat is gemaakt in Python.
Generatief diep leren: machines leren schilderen, schrijven, componeren en spelen door David Foster
Beschikbaar: op Amazon
gepubliceerd: 2019
Aantal pagina's: 330
Er is veel geschreven en gezegd over generatieve adversariële netwerken (GAN's), een van de populairste onderwerpen op het gebied van machine learning van vandaag. Als je wilt begrijpen hoe zij en andere generatieve deep learning-modellen onder de motorkap werken, is dit boek van David Foster een goed startpunt, zolang je ervaring hebt met coderen in Python.
