看书原则:每看完一本书都要学会将书籍学到的知识点有关联.
重点:
1,已经阅读过的书籍;
2,推荐的书籍
3,排序书籍(后面才能总结)
已经阅读过的书籍:
书名 | 总结 |
---|---|
机器学习算法数学解析与python实现 | 通过泛读,了解机器学习的常用算法,根据有监督和无监督分常用算法共有七种,有监督算法又分为回归问题和分类问题,回归算法有线性回归算法,分类算法有Logistic回归分类算法和KNN分类算法,朴素贝叶斯分类算法,决策树分类算法,支持向量机分类算法。无监督算法有K-means聚类算法。在此之前,有监督学习,无监督学习,回归问题,分类问题,聚类问题这些机器学习中重要的概念。在分类问题上除了以上流行多年的算法外,如今非常流行的算法就是深度学习算法。每一种算法都有自己的优势,在应用上,要根据具体问题使用性能更高的算法则可。 |
2019 年最佳机器学习和深度学习书籍的名单:
《深度学习》by Ian Goodfellow, Yoshua Bengio, Aaron Courville
推荐:这本书被许多人认为是深度学习的圣经,因为它汇集了数年和数年在一本书中学习和专注的研究。这本书并不是为了专心学习,而是可以更好地用于睡前阅读,因为它充满了函数方程式,并以典型的教科书书写,所以它不会写成最有趣的风格。它从一开始就介绍基础数学,如线性代数,概率论,接着转向机器学习基础,最后介绍深度网络和深度学习。
所以,如果你是一个渴望掌握主题并进入深度学习研究的有抱负的学生,那么这本书肯定会对你有所帮助。这可能是目前关于此主题的最全面的书籍。
深入学习
作者:安德鲁·特拉斯克(Andrew W. Trask)
推荐:适用于具有高中数学和中级编程技能的读者。
对于不认识的人来说,Andrew Trask是OpenMined的幕后力量:OpenMined是一个开源社区,致力于研究,开发和推广用于安全,隐私保护,符合价值的人工智能工具。他写了一个很棒的博客。他的书入选我们名单并不奇怪。是的,他是FloydHub的朋友。不,我们没有偏见。我们真的很喜欢使用NumPy从头开始学习的第一个原理方法。这可能是学习深度学习如何在幕后工作的最佳方法。
使用Python进行深度学习
作者:弗朗索瓦·乔莱特(Francois Chollet)
推荐:读者需要中级Python技能。无需具备Keras,TensorFlow或机器学习的经验。
从Keras发明家(另有FloydHub朋友),这本书将字面上牵着你的手,带你深度学习的如痴如醉迷宫-当然是有Keras。类似于Grokking Deep Learning,这本书在理论和编码之间取得了正确的平衡。更不用说弗朗索瓦(Francois)创造出色的心理形象的能力。
使用Scikit-Learn和TensorFlow进行动手机器学习
构建智能系统的概念,工具和技术(第二版)
作者:AurélienGéron。
Aurélien出色地传达了思想,并有效地使用了例子。在阅读本书时,您将很快应用他们所学的内容。要了解他的热情和交流风格,请访问他的YouTube频道。
强化学习:简介(第二版)
作者:理查德S.萨顿,安德鲁G.巴托。
推荐:机器学习,强化学习,深度学习,深度强化学习,人工智能。
如果将《深度学习》这本书视为《深度学习圣经》,那么这部杰作便获得了强化学习的称号。如果要开始使用RL,可以使用这种方法。就像您预测的那样(在背面拍拍),这是一篇非常技术性的文章。我们的建议是在每一章之后休息一会,加点咖啡,然后实际实现算法(这些著名的 仓库)。
从数据中学习
作者:Yaser S. Abu-Mostafa,Malik Magdon-Ismail,Hsuan-Tien Lin。
如果您想开始学习机器学习的关键概念,那么您会喜欢这本书:易于阅读,简单而干净。可能是吴德华课程开始之后的最佳资源!这是我的第一本关于机器学习的书和课程:)
神经网络与深度学习
作者:迈克尔尼尔森(Michael Nielsen)。
推荐:机器学习,深度学习。