Tada ne čudi da toliko ljudi razmišlja o ulasku u fascinantan svijet računalnih algoritama koji se automatski poboljšavaju iskustvom. Ako ste među njima - ili ako samo želite pogledati mimo hipe i shvatiti o čemu se zapravo radi u strojnom učenju - naš izbor od 20 najboljih udžbenika strojnog učenja može vam pomoći da postignete svoje ciljeve.
Umjetna inteligencija: suvremeni pristup (4. izdanje) Petera Norviga i Stuarta J. Russell
Dostupno: na Amazonu
Objavljeno: 2020
Broj stranica: 1136
Odluka s kojim udžbenikom strojnog učenja započeti nije bila teška jer umjetna inteligencija: suvremeni pristup studentima preporučuju sveučilišta širom svijeta. Sada u svojoj 4th izdanje, knjiga čini fantastičan posao predstavljanjem područja umjetne inteligencije (strojno učenje je podskupina umjetne inteligencije) za početnike, a također pokriva širok raspon srodnih istraživačkih tema, pružajući korisne reference za daljnje proučavanje. Prema autorima, ovaj bi veliki udžbenik trebao potrajati oko dva semestra, pa nemojte očekivati da će biti na brzinu.
Prepoznavanje uzoraka i strojno učenje Christopher M. biskup
Dostupno: na Amazonu
Objavljeno: 2011
Broj stranica: 738
Možete se sjetiti prepoznavanja uzoraka i strojnog učenja Christophera M. Bishop kao nježni (barem što se tiče udžbenika strojnog učenja) uvodni tečaj teorije strojnog učenja. Udžbenik uključuje preko 400 vježbi koje se ocjenjuju prema težini, a puno više dodatnog materijala dostupno je na njegovoj web stranici. Samo nemojte očekivati da ćete znati primijeniti teoriju koju podučava udžbenik kad dođete do njegove posljednje stranice - za to postoje druge knjige.
Dubinsko učenje Goodfellowa et. al
Dostupno: na Amazonu
Objavljeno: 2016
Broj stranica: 800
Da tražite od Elona Muska da vam preporuči knjigu o strojnom učenju, preporučio bi vam ovu. Jednom kaže da je duboko učenje jedina cjelovita knjiga na ovu temu. Knjiga pokriva sve, od matematičke i konceptualne pozadine do vodećih tehnika dubokog učenja i najnovijih perspektiva istraživanja. Preporučujemo da nabavite elektroničku verziju jer je duboko učenje sramotno zbog loše kvalitete ispisa.
Elementi statističkog učenja: vađenje podataka, zaključivanje i predviđanje, drugo izdanje Hastie, Tibshirani i Friedman
Dostupno: na Amazonu
Objavljeno: 2016
Broj stranica: 767
Ne dopustite da vas naslov ovog udžbenika zastraši. Ako želite istinski razumjeti strojno učenje i primijeniti ga za rješavanje teških problema, morate se naviknuti na čitanje udžbenika koji vam se ne čine baš pristupačnima. Iako udžbenik ima presudan statistički pristup, ne trebate biti statističar da biste ga čitali jer naglašava pojmove, a ne matematiku.
Praktično strojno učenje s Scikit-Learnom, Kerasom i TensorFlowom: koncepti, alati i tehnike za izgradnju inteligentnih sustava (2nd Izdanje) Aurélien Géron
Dostupno: na Amazonu
Objavljeno: 2019
Broj stranica: 856
Scikit-Learn, Keras i TensorFlow tri su popularne knjižnice strojnog učenja, a ovaj se udžbenik usredotočuje na to kako se mogu koristiti za stvaranje programa strojnog učenja koji rješavaju stvarne probleme. Zahvaljujući prirodi ovih knjižnica pogodnoj za početnike, za čitanje ovog udžbenika potrebno je minimalno teorijsko znanje, što ga čini izvrsnim za one koji žele steći intuitivno razumijevanje strojnog učenja gradeći nešto korisno.
Razumijevanje strojnog učenja: od teorije do algoritama Shai Shalev-Shwartz i Shai Ben-David
Dostupno: na Amazonu
Objavljeno: 2014
Broj stranica: 410
Mnogo je udžbenika o strojnom učenju teško proći jer njihovi autori nisu u stanju staviti se na mjesto nekoga tko je tek na tom polju, ali ni ovaj. Razumijevanje strojnog učenja započinje jasnim uvođenjem u statističko strojno učenje. Zatim povezuje teorijske koncepte s praktičnim algoritmima, a da pritom nije previše riječi ili previše nejasan. Bez obzira želite li osvježiti svoje znanje ili krenuti na cjeloživotno putovanje u industriji, ne ustručavajte se uzeti ovaj udžbenik.
Strojno učenje: vjerojatnosna perspektiva, Kevin P. Murphy
Dostupno: na Amazonu
Objavljeno: 2012
Broj stranica: 1104
Kao što naslov ove knjige sugerira, ovaj se uvod u strojno učenje oslanja na vjerojatnosne modele za otkrivanje obrazaca u podacima i njihovo korištenje za predviđanje budućih podataka. Knjiga je napisana u ugodnom, neformalnom stilu i izvrsno koristi ilustracije i praktične primjere. Modeli koje opisuje implementirani su pomoću Probabilistic Modeling Toolkit-a, koji je programski paket MATLAB koji možete preuzeti s interneta. Nažalost, komplet alata više nije podržan jer će nova verzija ove knjige umjesto njega koristiti Python.
Teorija informacija, zaključivanje i algoritmi učenja David J. C. MacKay
Dostupno: na Amazonu
Objavljeno: 2003
Broj stranica: 640
Da, ovaj je udžbenik objavljen prije gotovo 20 godina, ali to ga danas ne čini manje relevantnim. Napokon, strojno učenje nije ni približno toliko mlado kao što bi mogao nagovijestiti nedavni hype oko njega. Što čini teoriju informacija, zaključivanje i algoritme učenja Davida J. C. MacKay je tako bezvremenski njegov multidisciplinarni pristup koji pruža obilne veze između različitih polja. Sam po sebi nije previše koristan jer nema dovoljno praktičnih primjera, ali izvrsno funkcionira kao uvodni udžbenik.
Uvod u statističko učenje: s aplikacijama u R, autor Gareth M. James, Trevor Hastie, Daniela Witten i Robert Tibshirani
Dostupno: na Amazonu
Objavljeno: 2013
Broj stranica: 440
Uvod u statističko učenje možete zamisliti kao pristupačniju alternativu elementima statističkog učenja, koji zahtijeva napredno znanje matematičke statistike. Da biste završili ovaj udžbenik, trebali biste biti potpuno u redu s diplomom matematike ili statistike. Na svojih 440 stranica autori pružaju pregled područja statističkog učenja i predstavljaju važne tehnike modeliranja i predviđanja, zajedno sa svojim aplikacijama.
Knjiga o strojnom učenju na stotine stranica, Andrija Burkova
Dostupno: na Amazonu
Objavljeno: 2019
Broj stranica: 160
Iako je većina udžbenika navedenih u ovom članku bliže tisuću stranica, ova tanka knjiga, koja je započela kao izazov na LinkedInu, mnogo objašnjava na stotinjak stranica. Jedan od razloga zašto je Knjiga o strojnom učenju na stotine stranica postala trenutni hit je njen jasan jezik, što je dobrodošao odmak od krutih akademskih radova. Ovu knjigu preporučujemo softverskim inženjerima koji vjeruju da bi mogli koristiti dostupne alate za strojno učenje, ali ne znaju odakle početi. Usprkos tome, u knjizi može uživati svatko koga zanima strojno učenje jer naglašava koncepte umjesto koda.
Uvod u strojno učenje s Pythonom: Vodič za znanstvenike podataka Andreasa C. Müller i Sarah Guido
Dostupno: na Amazonu
Objavljeno: 2016
Broj stranica: 400
Ako tečno govorite Python i želite započeti sa strojnim učenjem gradeći praktična rješenja za stvarne probleme, ovo je prava knjiga za vas. Ne, nećete naučiti previše teorije, ali svi su temeljni pojmovi dobro pokriveni, a postoje i mnoge druge knjige koje pokrivaju ostalo. Da biste maksimalno iskoristili Uvod u strojno učenje s Pythonom, trebali biste barem malo poznavati knjižnice NumPy i matplotlib.
Primijenjeno prediktivno modeliranje, Max Kuhn i Kjell Johnson
Dostupno: na Amazonu
Objavljeno: 1. izd. 2013., ispr. 2. tisak 2018
Broj stranica: 613
Ovaj udžbenik nudi uvod u prediktivne modele koji koriste podatke i statistiku za predviđanje ishoda pomoću podatkovnih modela. Počinje s obradom podataka, a nastavlja se suvremenim tehnikama regresije i klasifikacije, uvijek ističući stvarne probleme s podacima. Sve modele objašnjene u knjizi možete jednostavno implementirati zahvaljujući isporučenom R kodu koji točno pokazuje što trebate učiniti da biste na kraju dobili ispravno rješenje.
Duboko učenje s Pythonom, François Chollet
Dostupno: na Amazonu
Objavljeno: 2017
Broj stranica: 384
Možda ste već upoznati s autorom ovog udžbenika za strojno učenje jer je odgovoran za biblioteku neuronskih mreža otvorenog koda pod nazivom Keras, vjerojatno najpopularniju biblioteku strojnog učenja napisanu na Pythonu. S obzirom na ove podatke i naslov udžbenika, ne bi vas trebalo iznenaditi kad saznate da je to najbolji dostupan Kerasov pad tečaj. Praktične su tehnike prioritet iznad teorije, ali to samo znači da sofisticirane zadatke strojnog učenja možete riješiti u samo nekoliko tjedana.
Strojno učenje Tom M. Mitchell
Dostupno: na Amazonu
Objavljeno: 1997
Broj stranica: 414
Ova knjiga objavljena 1997. godine predstavlja sve vrste algoritama strojnog učenja na jeziku koji bi svi diplomci CS-a trebali razumjeti. Ako ste tip osobe koja treba široko razumjeti određenu temu prije nego što se osjećate ugodno roniti duboko u nju, svidjet će vam se kako su predstavljeni podaci u ovoj knjizi. Samo ne očekujte Strojno učenje Toma M. Mitchella da bude praktični vodič, jer to ne bi trebala biti ova knjiga.
Aplikacije za pokretanje strojnog učenja: Emmanuel Ameisen, od ideje do proizvoda
Dostupno: na Amazonu
Objavljeno: 2020
Broj stranica: 260
Jedno je razumjeti modele strojnog učenja, a nešto sasvim drugo je znati kako ih dovesti u proizvodnju. Ova relativno tanka knjiga Emmanuela Ameisena objašnjava upravo to, vodeći vas kroz svaki korak postupka, od početne ideje do implementiranog proizvoda. Izgradnja aplikacija s pogonom na strojno učenje može se preporučiti početnim znanstvenicima i inženjerima ML koji su svladali teoriju, ali je tek trebaju primijeniti u industriji.
Pojačanje učenja: Uvod (drugo izdanje) Richarda S. Sutton, Andrew G. Barto
Dostupno: na Amazonu
Objavljeno: 2018
Broj stranica: 552
Pojačano učenje je područje strojnog učenja koje se bavi obukom modela strojnog učenja za poduzimanje radnji u složenom, nesigurnom okruženju kako bi se maksimalizirao ukupan iznos primljene nagrade. Ako vam ovo zvuči zanimljivo, nemojte se ustručavati kupiti ovu knjigu jer se široko smatra da je Biblija o toj temi. Drugo izdanje uključuje mnoge važne strukturne i sadržajne promjene, pa ga zato uzmite ako je moguće.
Učenje iz podataka Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Dostupno: na Amazonu
Objavljeno: 2012
Broj stranica: 213
Učenje iz podataka kratki je, ali relativno cjelovit uvod u strojno učenje i njegove praktične primjene u financijama, trgovini, znanosti i inženjerstvu. Knjiga se temelji na više od deset godina nastavnog materijala, koji su autori izdvojili do izbora temeljnih tema koje bi svi zainteresirani za tu temu trebali razumjeti. Izvrsno je za početnike koji nemaju puno vremena za proučavanje teorije strojnog učenja, pogotovo ako ih čitaju uz Yaserovu seriju predavanja na YouTubeu.
Neuronske mreže i duboko učenje: udžbenik Charu C. Aggarwal
Dostupno: na Amazonu
Objavljeno: 2018
Broj stranica: 497
Neuronske mreže jedan su od načina strojnog učenja, a ovaj vam udžbenik može pomoći da razumijete teoriju koja stoji iza njih. Baš kao i strojno učenje općenito, ova je knjiga matematički intenzivna, zato nemojte očekivati da ćete predaleko doći ako vam je matematika zahrđala. Usprkos tome, autor sjajno radi objašnjavajući matematiku koja stoji iza svih danih primjera i provodeći čitatelja kroz razne zamršene scenarije.
Strojno učenje za apsolutne početnike: običan uvod u engleski jezik (2nd Izdanje) Olivera Theobalda
Dostupno: na Amazonu
Objavljeno: 2017
Broj stranica: 157
Ako vas zanima strojno učenje, ali vam nije nužno ugodno čitati dugačke udžbenike o toj temi, možda bi vam bila draža ova knjiga prilagođena početnicima, koja nudi praktičan uvod na strogoj razini na jednostavnom engleskom jeziku. Na kraju ove knjige znat ćete kako predvidjeti vrijednosti kuće koristeći svoj prvi model strojnog učenja stvoren u Pythonu.
Generativno duboko učenje: podučavanje strojeva za slikanje, pisanje, komponiranje i sviranje, David Foster
Dostupno: na Amazonu
Objavljeno: 2019
Broj stranica: 330
Puno je napisano i rečeno o generativnim kontradiktornim mrežama (GAN), jednoj od najvrućih tema na polju strojnog učenja danas. Ako želite razumjeti kako oni i drugi generativni modeli dubokog učenja rade ispod haube, ova knjiga Davida Fostera izvrsno je polazište, sve dok imate iskustva s kodiranjem na Pythonu.