机器学习和数据科学从业者必读的10本免费英文书

最新推荐文章于 2024-08-17 07:45:00 发布
最新推荐文章于 2024-08-17 07:45:00 发布
阅读量3.8k 收藏 26
点赞数 6
分类专栏： 机器学习 数据挖掘 文章标签： 机器学习 数据科学' 免费书 英文书

本文编译自https://www.kdnuggets.com/2018/05/10-more-free-must-read-books-for-machine-learning-and-data-science.html。

夏天本该是放松的季节，但Matthew Mayo给我们推荐了10本免费的机器学习和数据科学书籍，以打发无聊的长夏。我们先来看下这10本必读免费书的封面：


1、Python数据科学手册

作者：Jake VanderPlas

链接地址：https://github.com/jakevdp/PythonDataScienceHandbook

简介：

这本书介绍了Python数据处理所必需的核心软件包，如IPython、NumPy、Pandas、Matplotlib、Sckit-learn及祥光的软件包。本书假定您熟悉Python语言。如果你需要快速了解Python语言，请参阅本书免费的一个相关项目，《Python的旋风之旅》，研究人员和数据科学家可通过该项目快速上手Python。该项目的链接地址为：https://github.com/jakevdp/WhirlwindTourOfPython。


2、神经网络与深度学习

作者：Michael Nielsen

链接地址：http://neuralnetworksanddeeplearning.com/

简介：这是一本关于神经网络和深度学习的免费在线书籍。神经网络和深度学习目前为图像识别、语音识别和自然语言处理中的许多问题提供了最好的解决方案。这本书阐明了神经网络和深度学习背后的诸多核心概念。


3、贝叶斯思维：统计建模的Python学习法

作者：Allen B. Downey

链接地址：http://greenteapress.com/wp/think-bayes/

简介：这本书通过Python代码对贝叶斯统计进行了介绍，而不是通过纯粹的数学和统计学来学习贝叶斯统计。这本书以及其它编程思想系列的其他书籍，都要求你会编程。

大多数关于贝叶斯统计的书都使用数学符号，用以表达微积分之类的数学概念。而这本书使用Python代码代替数学，而离散逼近来代替连续的数学函数。例如，数学书中的一个积分在本书中将以一个累加来表示，大多数概率分布的运算在本书中都是一些简单的循环。


4、机器学习与大数据

作者：Kareem Alkaseer

链接地址：http://www.kareemalkaseer.com/books/ml

简介：

这本书还没有写完。如果时间许可，我将会增补更多细节。这本书的目的是让软件工程师在机器学习理论和实现之间找到一个平衡，以便在不依赖于外部库的情况下舒适地实现机器学习模型。一般来说，模型或技术背后的概念是非常简单或直观的。一旦涉及到细节、算法或者机器学习的名字术语，机器学习就不会显得那么简单和直观。此外，大多数现有的库都是用来解决具体问题的，它们被视为黑箱，因为这些库对使用者隐藏了底层的概念。这本书的目的是使这些基本概念更加明晰。


5、稀疏统计学习及其应用：套索模型及其泛化

作者：Trevor Hastie、RobertTibshirani、Martin Wainwright

链接：https://web.stanford.edu/~hastie/StatLearnSparsity/

简介：在过去的十年中，计算和信息技术发生了巨大的变化。在医学、生物学、金融和市场营销等领域，都产生了大量的数据。这本书在一个共同的概念框架中论述了在这些领域的重要统计思想。

稀疏统计模型只具有少数非零参数或权重，经典地体现了化繁为简的理念，因而广泛应用于诸多领域。本书就稀疏性统计学习做出总结，以lasso方法为中心，层层推进，逐渐囊括其他方法，深入探讨诸多稀疏性问题的求解和应用，不仅包括了大量例子和图表，还附有文献注释和课后练习，是深入学习统计学知识的极佳参考（引自http://www.ituring.com.cn/book/1723）。


6、数据科学的统计推断

作者：Brian Caffo

链接：https://leanpub.com/LittleInferenceBook

简介：这本书是数据科学专业的一本教材，在Coursera（https://www.coursera.org/course/statinference）统计推断课程中，这是一本配套教材。如果没有上这门课，也没有关系，因为这本书大部分是独立成章的；在YouTube上，您可以找到这本书的系列视频，也就是Coursera统计推断这门课的课程。

本书的目的是对统计推断的一个重要领域进行简单介绍。读者对象是数学和计算机专业的学生，他们希望在数据科学或统计学中运用这些技巧。另外，这本书在Github上也可以找到免费的版本，在LeunPub和零售店里也可以找到免费的、更方便的格式（如epub和mobi）的版本。


7、凸优化

作者：Stephen Boyd and Lieven Vandenberghe

链接：https://leanpub.com/LittleInferenceBook

简介：

这本书是关于凸优化的，这是一类特殊的数学优化问题，其中包括最小二乘和线性规划等问题。众所周知，最小二乘和线性规划问题有一个相当完整的理论，应用也非常广泛，并且可以非常高效地通过数值方式来求解。本书的基本观点是，对于大类凸优化问题，也可以通过这些方式来证明和求解。


8、用Python进行自然语言处理

作者：Steven Bird, Ewan Klein, and EdwardLoper

链接：https://www.nltk.org/book/

简介：

这是一本关于自然语言处理的书。 “自然语言”是指用于人类日常交流的语言，如英语、印地语或葡萄牙语等语言。与诸如编程语言和数学符号这样的人造语言相比，自然语言在代代相传的过程中不断发展，并且很难用明确的规则来确定。用计算机来操纵自然语言之类的问题，我们统称为自然语言处理（或简称为NLP）。本书基于Python编程语言，自然语言工具包为NLTK的Python开源库。


9、Python编程快速上手-让繁琐工作自动化

作者：Al Sweigart

链接：https://automatetheboringstuff.com/

简介：如果您曾花费数小时重命名文件或更新数百个电子表格单元格，您会知道这些繁琐的任务是多么的乏味。但是，如果您可以让电脑为您自动完成这些工作呢？

在使用Python自动帮我们完成这些繁琐的工作时，您将学会如何使用Python在几分钟内编写程序，来完成您需要花几小时才能手工做完的工作。而且，您无需编程经验。一旦掌握了编程的基础知识，就可以创建Python程序，轻松执行有用和令人印象深刻的自动化技术。


10、社交媒体挖掘概论

作者：Reza Zafarani, Mohammad Ali Abbasi andHuan Liu

链接：http://dmml.asu.edu/smm/

简介：社交媒体在过去十年的发展已经彻底改变了个人互动和行业开展业务的方式。个人通过社交媒体互动，共享和消费内容以前所未有的速度产生大量的数据。理解和处理这种新型数据，找到其中隐藏的模式，这些都给跨学科研究、新算法和挖掘工具的开发带来了挑战和机遇。社交媒体挖掘整合了社交媒体，社交网络分析和数据挖掘，为学生、从业人员、研究人员和项目经理提供了一个方便而统一的平台，让他们了解社交媒体挖掘的基本概念和潜力。


carlwu
关注
专栏目录
关于机器学习的ppt（英文）
11-28
CMU大学Eric Xing的关于机器学习的ppt英文资料。
吴恩达新书英文版《机器学习思维》终于来啦！
weixin_33857230的博客
04-08 230
​点击关注异步图书，置顶公众号每天与你分享 IT好书 技术干货 职场知识​​参与文末话题讨论，每日赠送异步图书                                                                                                               ——异步小编Yann LeCun，深度学习三巨头之一。他的著作《深度...
2024 年适合初学者的 20 大人工智能书籍
最新发布
欢迎拜读我的作品，喜欢的领域请给我留言
08-17 3746
在这本关于人工智能的书中，他谈到了人工智能中许多人最害怕的方面，即“奇点”。对于所有有兴趣探索人工智能时代的智能和心智方面的人来说，这是一本理想的书。这本关于人工智能的书列举了机器学习如何在我们的日常生活中应用以及它如何渗透到我们的日常生活中的例子。它涵盖了人工智能的更大问题和方面，包括 超级智能、人工智能的物理极限、机器意识等。他在计算神经科学和人工智能方面的背景和经验铺设这本奇妙的书的前提。它有清晰易懂的解释和直观的例子为了各种算法。它描述了机器学习的发展，解释了重要的学习算法，并介绍了示例应用程序。
机器入门必修国际名校机器学习课程教材推荐
Mr数据杨
01-17 1176
通过对这些精选书籍的探索，可以发现机器学习不仅是一门科学，更是一种艺术。每本书都以其独特方式，揭示了这个领域的奥秘和美丽。《Mitchell’s Machine Learning》为您铺设理论基础，《Elements of Statistical Learning》深入统计学的精髓，《Pattern Recognition》从模式识别的角度扩展视野，而《An Algorithmic Perspective》则突出了算法的实用性和灵活性。这些书籍不仅是学习机器学习的起点，更是激发创造力和解决问题能力的源泉。
2020必读的12本机器学习书籍汇总
zenRRan的博客
10-03 3533
关注“深度学习自然语言处理”，一起学习！设为星标，第一时间获取更多干货来自：深度学习与NLP公众号编辑：王萌本文仅作学术分享，若侵权，请联系后台删文处理“机器学习：计算机无需专门...
machinelearning 英语机器学习课程及原著 链接
mrzyun0811的博客
11-05 340
 •C231nConvolutional Neural Networks for Visual Recognition, AndrejKarpathy •C224d Deep Learning for Natural Language Processing，RichardSocher •Oxforddeep learning NLP: https://github.com/oxford-...
机器学习书单（外文版）
weixin_34278190的博客
01-30 360
  编者注：澳大利亚机器学习专家、畅销书作者  Jason Brownlee，对机器学习领域的各类优质书籍进行了盘点，汇总成这份阅读指南。在所筛选的学习资源中，这堪称是迄今为止最全面、最完整、权威性比较高的一份 ML 书单，涵盖了最值得学习者、从业者、开发者认真研读的精品书目。这份指南适合多样背景的读者：从想要了解机器学习的普通人，到入门新手，再到高阶开发者和学术研究人员。因此，雷锋...
【好书推荐--28本机器学习必读书籍【附下载链接】】【转载】
j8267643的博客
02-10 2239
机器学习和数据挖掘作为近期人工智能领域的热点话题一直引发人们的关注，小编也一直收到很多留言咨询有哪些好的书籍适合自己进行阅读学习。小编给大家带来28本经典机器学习/数据挖掘相关书籍，分别适合入门、进阶到精深的三个不同阶段同学阅读，并且每本书籍都已标注了适合阅读人群，总有一款适合你。Real World Machine Learning（现实世界中的机器学习）作者：Henrik Brink，Joseph W.Richards和Mark Fetherolf。
大数据技术专业从业人员学习必读
06-05
【大数据技术专业从业人员学习必读】 大数据领域涵盖了广泛的技术，对于想要在这个行业深入发展的专业人士来说，掌握相关的工具和概念至关重要。...掌握这些工具和技术，将有助于从业者在大数据行业中取得成功。
Google三大篇著名论文Paper 机器学习AI必读 GFS MapReduce BigTable
05-10
A Distributed Storage System for Structured Data"（2008年TOCS期刊）——是机器学习和人工智能从业者必读的经典文献。这三篇论文分别介绍了Google如何解决大规模数据处理、分布式文件系统和结构化数据存储的挑战...
计算机 必读文章
10-05
面对未来的机遇与挑战，持续学习和创新精神是每个IT从业者不可或缺的品质。 综上所述，计算机科学涉及广泛的知识体系，无论是理论研究还是实践应用，都对现代社会产生了深远的影响。对于那些渴望深入了解计算机领域...
Learning From Data plus 超清完整版 林轩田（英文版）
01-20
Learning From Data plus，完整版，除了机器学习基石该门课配套的教材Learning from Data之外，还补充了后续林轩田老师提供的e-chapter内容（英文版） e-Chapter 6 Similarity-Based Methods e-Chapter 7 Neural Networks e-Chapter 8 Support Vector Machines e-Chapter 9 Learning Aides 如果你没有csdn币恰好也在学习这么课，欢迎加我QQ757387961我将免费发送
深度学习神经网络(英文版PDF教程）
04-14
书的目录 Contents Website viii Acknowledgments ix Notation xiii 1 Introduction 1 1.1 Who Should Read This Book? . . . . . . . . . . . . . . . . . . . . 8 1.2 Historical Trends in Deep Learning . . . . . . . . . . . . . . . . . 12 I Applied Math and Machine Learning Basics 27 2 Linear Algebra 29 2.1 Scalars, Vectors, Matrices and Tensors . . . . . . . . . . . . . . . 29 2.2 Multiplying Matrices and Vectors . . . . . . . . . . . . . . . . . . 32 2.3 Identity and Inverse Matrices . . . . . . . . . . . . . . . . . . . . 34 2.4 Linear Dependence and Span . . . . . . . . . . . . . . . . . . . . 35 2.5 Norms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.6 Special Kinds of Matrices and Vectors . . . . . . . . . . . . . . . 38 2.7 Eigendecomposition . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.8 Singular Value Decomposition . . . . . . . . . . . . . . . . . . . . 42 2.9 The Moore-Penrose Pseudoinverse . . . . . . . . . . . . . . . . . . 43 2.10 The Trace Operator . . . . . . . . . . . . . . . . . . . . . . . . . 44 2.11 The Determinant . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.12 Example: Principal Components Analysis . . . . . . . . . . . . . 45 3 Probability and Information Theory 51 3.1 Why Probability? . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 i CONTENTS 3.2 Random Variables . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3 Probability Distributions . . . . . . . . . . . . . . . . . . . . . . . 54 3.4 Marginal Probability . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.5 Conditional Probability . . . . . . . . . . . . . . . . . . . . . . . 57 3.6 The Chain Rule of Conditional Probabilities . . . . . . . . . . . . 57 3.7 Independence and Conditional Independence . . . . . . . . . . . . 58 3.8 Expectation, Variance and Covariance . . . . . . . . . . . . . . . 58 3.9 Common Probability Distributions . . . . . . . . . . . . . . . . . 60 3.10 Useful Properties of Common Functions . . . . . . . . . . . . . . 65 3.11 Bayes’ Rule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3.12 Technical Details of Continuous Variables . . . . . . . . . . . . . 69 3.13 Information Theory . . . . . . . . . . . . . . . . . . . . . . . . . . 71 3.14 Structured Probabilistic Models . . . . . . . . . . . . . . . . . . . 73 4 Numerical Computation 78 4.1 Overflow and Underflow . . . . . . . . . . . . . . . . . . . . . . . 78 4.2 Poor Conditioning . . . . . . . . . . . . . . . . . . . . . . . . . . 80 4.3 Gradient-Based Optimization . . . . . . . . . . . . . . . . . . . . 80 4.4 Constrained Optimization . . . . . . . . . . . . . . . . . . . . . . 91 4.5 Example: Linear Least Squares . . . . . . . . . . . . . . . . . . . 94 5 Machine Learning Basics 96 5.1 Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 97 5.2 Capacity, Overfitting and Underfitting . . . . . . . . . . . . . . . 108 5.3 Hyperparameters and Validation Sets . . . . . . . . . . . . . . . . 118 5.4 Estimators, Bias and Variance . . . . . . . . . . . . . . . . . . . . 120 5.5 Maximum Likelihood Estimation . . . . . . . . . . . . . . . . . . 129 5.6 Bayesian Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . 133 5.7 Supervised Learning Algorithms . . . . . . . . . . . . . . . . . . . 137 5.8 Unsupervised Learning Algorithms . . . . . . . . . . . . . . . . . 142 5.9 Stochastic Gradient Descent . . . . . . . . . . . . . . . . . . . . . 149 5.10 Building a Machine Learning Algorithm . . . . . . . . . . . . . . 151 5.11 Challenges Motivating Deep Learning . . . . . . . . . . . . . . . . 152 II Deep Networks: Modern Practices 162 6 Deep Feedforward Networks 164 6.1 Example: Learning XOR . . . . . . . . . . . . . . . . . . . . . . . 167 6.2 Gradient-Based Learning . . . . . . . . . . . . . . . . . . . . . . . 172 ii CONTENTS 6.3 Hidden Units . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 6.4 Architecture Design . . . . . . . . . . . . . . . . . . . . . . . . . . 193 6.5 Back-Propagation and Other Differentiation Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200 6.6 Historical Notes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220 7 Regularization for Deep Learning 224 7.1 Parameter Norm Penalties . . . . . . . . . . . . . . . . . . . . . . 226 7.2 Norm Penalties as Constrained Optimization . . . . . . . . . . . . 233 7.3 Regularization and Under-Constrained Problems . . . . . . . . . 235 7.4 Dataset Augmentation . . . . . . . . . . . . . . . . . . . . . . . . 236 7.5 Noise Robustness . . . . . . . . . . . . . . . . . . . . . . . . . . . 238 7.6 Semi-Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 240 7.7 Multitask Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 241 7.8 Early Stopping . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241 7.9 Parameter Tying and Parameter Sharing . . . . . . . . . . . . . . 249 7.10 Sparse Representations . . . . . . . . . . . . . . . . . . . . . . . . 251 7.11 Bagging and Other Ensemble Methods . . . . . . . . . . . . . . . 253 7.12 Dropout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 7.13 Adversarial Training . . . . . . . . . . . . . . . . . . . . . . . . . 265 7.14 Tangent Distance, Tangent Prop and Manifold Tangent Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . 267 8 Optimization for Training Deep Models 271 8.1 How Learning Differs from Pure Optimization . . . . . . . . . . . 272 8.2 Challenges in Neural Network Optimization . . . . . . . . . . . . 279 8.3 Basic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . 290 8.4 Parameter Initialization Strategies . . . . . . . . . . . . . . . . . 296 8.5 Algorithms with Adaptive Learning Rates . . . . . . . . . . . . . 302 8.6 Approximate Second-Order Methods . . . . . . . . . . . . . . . . 307 8.7 Optimization Strategies and Meta-Algorithms . . . . . . . . . . . 313 9 Convolutional Networks 326 9.1 The Convolution Operation . . . . . . . . . . . . . . . . . . . . . 327 9.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329 9.3 Pooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335 9.4 Convolution and Pooling as an Infinitely Strong Prior . . . . . . . 339 9.5 Variants of the Basic Convolution Function . . . . . . . . . . . . 342 9.6 Structured Outputs . . . . . . . . . . . . . . . . . . . . . . . . . . 352 9.7 Data Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354 iii CONTENTS 9.8 Efficient Convolution Algorithms . . . . . . . . . . . . . . . . . . 356 9.9 Random or Unsupervised Features . . . . . . . . . . . . . . . . . 356 9.10 The Neuroscientific Basis for Convolutional Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358 9.11 Convolutional Networks and the History of Deep Learning . . . . 365 10 Sequence Modeling: Recurrent and Recursive Nets 367 10.1 Unfolding Computational Graphs . . . . . . . . . . . . . . . . . . 369 10.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . 372 10.3 Bidirectional RNNs . . . . . . . . . . . . . . . . . . . . . . . . . . 388 10.4 Encoder-Decoder Sequence-to-Sequence Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 390 10.5 Deep Recurrent Networks . . . . . . . . . . . . . . . . . . . . . . 392 10.6 Recursive Neural Networks . . . . . . . . . . . . . . . . . . . . . . 394 10.7 The Challenge of Long-Term Dependencies . . . . . . . . . . . . . 396 10.8 Echo State Networks . . . . . . . . . . . . . . . . . . . . . . . . . 399 10.9 Leaky Units and Other Strategies for Multiple Time Scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402 10.10 The Long Short-Term Memory and Other Gated RNNs . . . . . . 404 10.11 Optimization for Long-Term Dependencies . . . . . . . . . . . . . 408 10.12 Explicit Memory . . . . . . . . . . . . . . . . . . . . . . . . . . . 412 11 Practical Methodology 416 11.1 Performance Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 417 11.2 Default Baseline Models . . . . . . . . . . . . . . . . . . . . . . . 420 11.3 Determining Whether to Gather More Data . . . . . . . . . . . . 421 11.4 Selecting Hyperparameters . . . . . . . . . . . . . . . . . . . . . . 422 11.5 Debugging Strategies . . . . . . . . . . . . . . . . . . . . . . . . . 431 11.6 Example: Multi-Digit Number Recognition . . . . . . . . . . . . . 435 12 Applications 438 12.1 Large-Scale Deep Learning . . . . . . . . . . . . . . . . . . . . . . 438 12.2 Computer Vision . . . . . . . . . . . . . . . . . . . . . . . . . . . 447 12.3 Speech Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . 453 12.4 Natural Language Processing . . . . . . . . . . . . . . . . . . . . 456 12.5 Other Applications . . . . . . . . . . . . . . . . . . . . . . . . . . 473 iv CONTENTS III Deep Learning Research 482 13 Linear Factor Models 485 13.1 Probabilistic PCA and Factor Analysis . . . . . . . . . . . . . . . 486 13.2 Independent Component Analysis (ICA) . . . . . . . . . . . . . . 487 13.3 Slow Feature Analysis . . . . . . . . . . . . . . . . . . . . . . . . 489 13.4 Sparse Coding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492 13.5 Manifold Interpretation of PCA . . . . . . . . . . . . . . . . . . . 496 14 Autoencoders 499 14.1 Undercomplete Autoencoders . . . . . . . . . . . . . . . . . . . . 500 14.2 Regularized Autoencoders . . . . . . . . . . . . . . . . . . . . . . 501 14.3 Representational Power, Layer Size and Depth . . . . . . . . . . . 505 14.4 Stochastic Encoders and Decoders . . . . . . . . . . . . . . . . . . 506 14.5 Denoising Autoencoders . . . . . . . . . . . . . . . . . . . . . . . 507 14.6 Learning Manifolds with Autoencoders . . . . . . . . . . . . . . . 513 14.7 Contractive Autoencoders . . . . . . . . . . . . . . . . . . . . . . 518 14.8 Predictive Sparse Decomposition . . . . . . . . . . . . . . . . . . 521 14.9 Applications of Autoencoders . . . . . . . . . . . . . . . . . . . . 522 15 Representation Learning 524 15.1 Greedy Layer-Wise Unsupervised Pretraining . . . . . . . . . . . 526 15.2 Transfer Learning and Domain Adaptation . . . . . . . . . . . . . 534 15.3 Semi-Supervised Disentangling of Causal Factors . . . . . . . . . 539 15.4 Distributed Representation . . . . . . . . . . . . . . . . . . . . . . 544 15.5 Exponential Gains from Depth . . . . . . . . . . . . . . . . . . . 550 15.6 Providing Clues to Discover Underlying Causes . . . . . . . . . . 552 16 Structured Probabilistic Models for Deep Learning 555 16.1 The Challenge of Unstructured Modeling . . . . . . . . . . . . . . 556 16.2 Using Graphs to Describe Model Structure . . . . . . . . . . . . . 560 16.3 Sampling from Graphical Models . . . . . . . . . . . . . . . . . . 577 16.4 Advantages of Structured Modeling . . . . . . . . . . . . . . . . . 579 16.5 Learning about Dependencies . . . . . . . . . . . . . . . . . . . . 579 16.6 Inference and Approximate Inference . . . . . . . . . . . . . . . . 580 16.7 The Deep Learning Approach to Structured Probabilistic Models . . . . . . . . . . . . . . . . . . . . . . . . . 581 17 Monte Carlo Methods 587 17.1 Sampling and Monte Carlo Methods . . . . . . . . . . . . . . . . 587 v CONTENTS 17.2 Importance Sampling . . . . . . . . . . . . . . . . . . . . . . . . . 589 17.3 Markov Chain Monte Carlo Methods . . . . . . . . . . . . . . . . 592 17.4 Gibbs Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 596 17.5 The Challenge of Mixing between Separated Modes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597 18 Confronting the Partition Function 603 18.1 The Log-Likelihood Gradient . . . . . . . . . . . . . . . . . . . . 604 18.2 Stochastic Maximum Likelihood and Contrastive Divergence . . . 605 18.3 Pseudolikelihood . . . . . . . . . . . . . . . . . . . . . . . . . . . 613 18.4 Score Matching and Ratio Matching . . . . . . . . . . . . . . . . 615 18.5 Denoising Score Matching . . . . . . . . . . . . . . . . . . . . . . 617 18.6 Noise-Contrastive Estimation . . . . . . . . . . . . . . . . . . . . 618 18.7 Estimating the Partition Function . . . . . . . . . . . . . . . . . . 621 19 Approximate Inference 629 19.1 Inference as Optimization . . . . . . . . . . . . . . . . . . . . . . 631 19.2 Expectation Maximization . . . . . . . . . . . . . . . . . . . . . . 632 19.3 MAP Inference and Sparse Coding . . . . . . . . . . . . . . . . . 633 19.4 Variational Inference and Learning . . . . . . . . . . . . . . . . . 636 19.5 Learned Approximate Inference . . . . . . . . . . . . . . . . . . . 648 20 Deep Generative Models 651 20.1 Boltzmann Machines . . . . . . . . . . . . . . . . . . . . . . . . . 651 20.2 Restricted Boltzmann Machines . . . . . . . . . . . . . . . . . . . 653 20.3 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . . . . 657 20.4 Deep Boltzmann Machines . . . . . . . . . . . . . . . . . . . . . . 660 20.5 Boltzmann Machines for Real-Valued Data . . . . . . . . . . . . . 673 20.6 Convolutional Boltzmann Machines . . . . . . . . . . . . . . . . . 679 20.7 Boltzmann Machines for Structured or Sequential Outputs . . . . 681 20.8 Other Boltzmann Machines . . . . . . . . . . . . . . . . . . . . . 683 20.9 Back-Propagation through Random Operations . . . . . . . . . . 684 20.10 Directed Generative Nets . . . . . . . . . . . . . . . . . . . . . . . 688 20.11 Drawing Samples from Autoencoders . . . . . . . . . . . . . . . . 707 20.12 Generative Stochastic Networks . . . . . . . . . . . . . . . . . . . 710 20.13 Other Generation Schemes . . . . . . . . . . . . . . . . . . . . . . 712 20.14 Evaluating Generative Models . . . . . . . . . . . . . . . . . . . . 713 20.15 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 716 Bibliography 717 vi CONTENTS Index 774
神经网络经典外文入门书籍
10-06
包含三本PDF书籍 Pattern classification using ensemble Methods.pdf Neural Networks Tricks of the Trade.pdf Neural Networks for Applied Sciences and Engineering.pdf
神经网络与深度学习中文版
03-16
这本书是个人工智能从业者或爱好者必读的经典之作，尤其适合自学。 神经网络是现代人工智能和机器学习的基础，它模拟人脑神经元的工作方式，通过大量的数据训练，实现对复杂模式的识别和预测。深度学习则是神经网络...
《Python机器学习基础教程》官方中文PDF+英文PDF+源代码 (张亮译)
热门推荐
ailuomang3826的博客
12-12 1万+
《Python机器学习基础教程》官方中文版PDF+英文版PDF+源代码+张亮 (译者) 官方高清中文版PDF，306页，带书签目录，文字能够复制粘贴；高清英文版PDF，392页，带书签目录，彩色配图，文字能够复制粘贴； 中英文两版对比学习。配套源代码。 下载: https://pan.baidu.com/s/1B1wVgOlkqlTmt-dSP8C2JA提取码: k6w9 以Py...
程序员必读：遗传算法与机器学习实践指南
《遗传算法与机器学习编程指南》是一本专为初级到中级程序员设计的实用书籍，旨在帮助读者理解并应用机器学习技术。作者巧妙地将复杂的机器学习算法分解成一系列易于理解的自包含示例，让读者能够快速掌握各种方法。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值