Yanıtlar:
Uygulamaya yönelik bir kitap istiyorsanız, Christopher Bishop'un Model Tabanlı Makine Öğrenmesini düşünün . Saygıdeğer daha fazla teknik kitabı var.
Çok sayıda kod arıyorsanız, Hacker'lar için Olasılıksal Programlama ve Bayesian Yöntemleri bir seçenektir.
Daha istatistiksel bir eğriye sahip bir başka tanıtım kitabı , R'deki Uygulamalarla İstatistiksel Öğrenmeye Giriş . Yine, yazarlar kitabın saygın bir teknik versiyonuna sahiptir.
Birkaç hafta önce aynı soruyu sordum.
Kişisel olarak O'Reilly'nin Veri Analiz Python'unu temel bilgileri öğrenmede çok yararlı buldum . Kitap, bazı python programlama deneyimine sahip olduğunuzu varsayar, ancak temelde ilerlemek için arka tarafta bir ek vardır.
Yazar, ilk birkaç bölümde oluşturabileceğiniz başlangıçta size çok çeşitli gerçek dünya (Monty Python değil) örnekleri verir, sonra kitap ilerledikçe bilginizi geliştirerek her şey hakkında ayrıntılara girer.
Talimatları çok kolay ve adım adım buldum. Bütün bunlarda benim rehberim olan profesörüm ne kadar çabuk öğrendiğimi çok etkiledi.
Ayrıca Kaggle hakkında iyi şeyler duydum.
Microsoft Azure Machine Learning ve R ile Bulutta Veri Bilimi, bir örnek üzerinde ayrıntılı olarak çalışan ücretsiz bir ders kitabıdır. Kitaptan biraz faydalanmak için onlara ihtiyaç duymadığınız için kullanılan belirli araçlardan vazgeçmeyin.
Zevk aldığım bir diğer program da, çoğu kitabın üzerinde göz kamaştırdığı web kazıma kısmı da dahil olmak üzere, bir dizi projeden de geçen Toplu Zeka Programlaması .
Veri Bilimi, İstatistik ve Makine Öğrenimi yorumlu not defterlerini içeren bu Ipython Defter koleksiyonunu önerebilirim.
https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks
Bazı ilginç adım adım açıklamalar bulabileceğiniz bir yer Kaggle öğretici ve kazananın röportajlarıdır . Çoğu zaman insanlar yaklaşımlarının ayrıntılı bir özetini yayınlarlar.
Karşılaştığım en iyi kitaplardan biri Sebastian Raschka'dan Python'da Machine Learning . Kolay örnekler, adım adım açıklama ve doğru miktarda matematik.
Kitabın yapısı veri temizlemeden toplama ve değerlendirmeye kadar tüm süreci kapsar.
Bir bak bakalım :
https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/
Bu, Veri Keşfi, Veri Analizi ve Öngörülü bir model oluşturma sürecinin tamamı hakkında bir fikir verecek adım adım bir eğiticiye sahiptir.
Veri Keşfi ve Özellik Mühendisliği (ilgili özelliklerin nasıl seçileceği) ile ilgili açıklama burada:
https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/
Pratik eğitim almak için öğreticiler içeren ve üzerinde çalışan ilk 5 Veri Kümesine bakın:
Ayrıca bir göz atın:
http://machinelearningmastery.com/machine-learning-in-python-step-by-step/
burada tek bir veri kümesinde birden çok model kullanıyor ve bu da size farklı modeller hakkında temel düzeyde bilgi verecek.
Model seçimi hakkında daha fazla bilgi edinmek için şuna bir göz atın:
https://www.quora.com/Data-Science-How-do-Data-Scientists-perform-model-selection
Yukarıdaki link, sahada çalışan insanlar tarafından verilen cevaplara sahiptir.
Farklı veri kümeleri hakkında bilgi edinmek için her zaman kaggle'a giriş yapabilir ve yarışmalara girebilir ve insanların kodlarındaki çekirdeklere erişebileceğiniz çok çeşitli veri kümelerine göz atabilirsiniz. Kaggle'daki forumlar, insanlar bir sorun için farklı modellerin kullanımı ve yaklaşımları hakkında tartışırken faydalıdır.