对机器学习感兴趣不知道从哪入手?这5本免费电子书清单get!
点击上方关注,All in AI中国
小编近日精心策划的5本免费电子书清单,可以帮助您更好地了解机器学习的各个方面,以及在该领域的职业生涯所需的技能。
对机器学习的职业感兴趣却又不知道从哪里开始?好吧,本文有一系列关于在Python生态系统中追求机器学习的教程。如果您正在寻找更多内容,可以在这里查看MOOC和在线讲座的概述,这些讲座来自免费提供的大学讲座。
当然,没有什么可以取代严格的正规教育,但是我们可以说,无论出于何种原因,这都不能算是完全意义上的真正教育。并非所有机器学习职位都需要博士学位;这真的取决于人们想要适应的机器学习频谱。看看身边的激励和鼓舞人心的例子,其作者从对机器学习的了解很少,在一年内积极有效地利用他们工作中的技术。
我们希望在介绍性研究生院机器学习方案中学到什么,以及从在线教程中获得什么?正如他们已经存在了数百年,书籍是一个转折的好地方。当然,今天我们可以即时访问免费提供的数字图书,这使得它成为一个非常有吸引力的选择。可以看看以下免费的电子书,所有这些都适用于介绍性的理解水平,但也包括各种不同的概念和材料。
1.机器学习简介
斯坦福大学的Nils J. Nilsson在20世纪90年代中期将这些笔记放在一起。但你要清楚,基础就是基础,不管它是什么时候写的。
当然,正如Nilsson本人所说,机器学习已经取得了许多重要的进步,但是这些笔记以一种直接而集中的方式涵盖了大部分仍然被认为是相关的基本材料。
在过去几十年里,没有任何与进步相关的内容,即使在介绍性文本中,作者也经常希望在引言中涉及到这一点。然而,有很多关于统计学习、学习理论、分类和各种算法的信息可以激发你的胃口。在不到200页的情况下,可以相当快速地阅读。
您可以在此下载免费PDF版本(http://ai.stanford.edu/~nilsson/MLBOOK.pdf)
2.理解机器学习:从理论到算法
这本涵盖机器学习的书由Shai Shalev-Shwartz和Shai Ben-David编写。这本书比以前的产品更新、更长、更先进,但它也是合乎逻辑的下一步。这将深入研究更多算法及其描述,并为实用性提供桥梁。对理论的关注应该是新成员的一个线索,它对于真正了解什么是机器学习算法的动力具有重要意义。高级理论部分涵盖了一些概念,这些概念可能超出了新手的范围或愿望,但可以作为选择查看的内容。
您可以在此下载免费的PDF版本(http://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding-machine-learning-theory-algorithms.pdf)
3.贝叶斯推理和机器学习
关于贝叶斯机器学习的这篇介绍性文本据我所知是该主题中最知名的,并且碰巧有免费的在线版本。来自明尼苏达大学的Arindam Banerjee的亚马逊评论有这样的说法:
本书广泛涉及概率机器学习,包括离散图形模型、马尔可夫决策过程、潜变量模型、高斯过程、随机和确定性推理等。该材料非常适合高级本科或图形模型或概率机器学习的入门研究生课程。整本书中的博览会使用了大量的图表和示例,本书附带了一个广泛的软件工具箱......
应该注意的是,所引用的工具箱是在MATLAB中实现的,MATLAB不再是默认的机器学习实现语言,至少不是一般的。然而,工具箱并不是本书唯一的优点。
这为那些对概率机器学习感兴趣的人提供了一个很好的起点。
您可以在此下载免费的PDF版本(http://web4.cs.ucl.ac.uk/staff/D.Barber/textbook/091117.pdf)
4.深度学习
这是由Goodfellow、Bengio和Courville撰写的即将发行的深度学习书籍,该书在其官方网站上提供免费的最终草稿。
以下2个摘录来自本书的网站,其中一个提供了其内容的概述,另一个让几乎每个人都对阅读本书感兴趣:
深度学习教科书旨在帮助学生和从业者进入机器学习领域,特别是深度学习。该书的在线版本现已完成,并将在线免费提供。印刷版即将上市销售。
其中一个目标受众是大学生(本科生或研究生)学习机器学习,包括那些开始从事深度学习和艺术智力研究的人。其他目标受众是没有机器学习或统计背景但希望快速获得一个并开始在其产品或平台中使用深度学习的软件工程师。
你很难找到更好的资源来学习深度学习。
你可以在这里阅读网页(http://www.deeplearningbook.org)
5.强化学习:简介
Sutton and Barto的权威经典正在改头换面。这是第二稿的链接,目前正在进行中(并且可以自由使用)。
如今,强化学习具有令人难以置信的研究兴趣。鉴于其最近作为AlphaGo的一部分获得了高调的成功,它在自动驾驶汽车和类似系统中的潜力,以及与深度学习的结合,这无疑将在任何领域都发挥重要作用。 “一般人工智能”(或任何类似的东西)的形式,随处可见。实际上,这些都是本书第二稿正在制定的原因。
你可以理解这本书在强化学习领域的重要性,因为它被简称为“Sutton and Barto”。这篇来自David Tan的亚马逊评论很好地总结了这本书:
本书从实例和直观的介绍和强化学习的定义开始。接下来是关于强化学习的3种基本方法的3章:动态规划、蒙特卡罗和时间差异方法。后续章节以这些方法为基础,推广到一整套解决方案和算法。
这本书对普通计算机学生来说非常易读。可能唯一困难的是第8章,它涉及一些神经网络概念。
你可以从https://www.amazon.com/Reinforcement-Learning-Introduction-Adaptive-Computation/dp/0262193981这里买到。
我希望您能够从上述的免费电子书中了解有关机器学习的更多信息。