Makine öğrenme yemek kitabı / referans kartı / hile sayfası?

Olasılık ve İstatistik Yemek Kitabı ve Veri Madenciliği İçin R Referans Kartı gibi kaynakları inanılmaz derecede faydalı buluyorum . Belli ki referans olarak iyi hizmet ediyorlar ama aynı zamanda bir konu hakkındaki düşüncelerimi düzenlememe ve toprağın düzenini almama yardımcı oluyorlar.

S: Bu kaynaklara benzer bir şey makine öğrenme yöntemleri için var mı?

Her ML yöntemi için içerecek bir referans kartı hayal ediyorum:

• Genel Özellikler
• Yöntem iyi çalıştığında
• Yöntem zayıf olduğunda
• Yöntem hangi yöntemlerden veya hangi yöntemden genellenir. Çoğunlukla yerini aldı mı?
• Yönteme ilişkin yazılı makaleler
• Yöntemle ilgili problemleri açın
• Hesaplama yoğunluğu

Bütün bu şeyler, eminim ders kitaplarını asgari kazma ile bulunabilir. Onları birkaç sayfada görmek gerçekten kolay olurdu.

En iyi ve serbestçe kullanılabilir kaynaklardan bazıları şunlardır:

• Hastie, Friedman ve diğ. İstatistiksel Öğrenmenin Ögeleri: Veri Madenciliği, Çıkarım ve Tahmin
• David Barber. Bayesian Akıl Yürütme ve Makine Öğrenmesi
• David MacKay. Bilgi Kuramı, Çıkarım ve Öğrenme Algoritmaları (http://www.inference.phy.cam.ac.uk/mackay/itila/)

Yazarın sorusuna gelince, "Bir sayfada hepsi bir arada" çözümü ile tanışmadım

Makine Öğrenmeyi öğrenmek istiyorsanız, Prof. Andrew Ng tarafından verilen kışın ücretsiz çevrimiçi ML kursuna katılmanızı şiddetle tavsiye ediyorum .

Birincisini sonbaharda yaptım ve tüm öğrenme materyalleri olağanüstü kalitede ve pratik uygulamalara yönelikti ve bir kitapla tek başına mücadele etmenin çok daha kolay olmasını sağladım.

Ayrıca, sezgisel açıklamaları ve asgari miktarda matematik ile oldukça düşük asılı bir meyve yapıldı.

Evet iyisin; Christopher Bishop'ın "Örüntü Tanıma ve Makine Öğrenmesi" genel referans için mükemmel bir kitaptır, gerçekten yanlış gidemem.

Oldukça yeni bir kitap ama aynı zamanda çok iyi yazılmış ve aynı derecede geniş, David Barber'ın “ Bayesian Reasoning and Machine Learning ”; Hissedeceğim bir kitap, alandaki yeni gelenler için biraz daha uygundur.

Hastie ve ark.nın "İstatistiksel Öğrenmenin Öğeleri" ni kullandım. (Macro tarafından belirtilmiştir) ve çok güçlü bir kitap iken, ilk referans olarak tavsiye etmem; belki size daha özel konular için ikinci bir referans olarak daha iyi hizmet verebilir. Bu açıdan, David MacKay'ın Bilgi Kuramı, Çıkarımı ve Öğrenme Algoritmaları kitabı muhteşem bir iş de yapabilir.

Mutabakat bu sorunun yinelemeli olmadığı için, makine öğrenen yeni başlayanlar için en sevdiğim şeyi paylaşmak istiyorum:

Programcı Kolektif Zekayı yeni başlayanlar için en kolay kitap olarak buldum , çünkü yazar Toby Segaran , medyan yazılım geliştiricinin ellerini olabildiğince hızlı veri kesmekle kirletmesini sağlamaya odaklandı.

Tipik bölüm: Veri problemi açıkça tanımlanmış, ardından algoritmanın nasıl çalıştığını ve nihayet birkaç satırlık kodla bazı içgörüler oluşturulacağını gösteren kaba bir açıklama izlenmiştir.

Python'un kullanımı kişinin her şeyi oldukça hızlı bir şekilde anlamasını sağlar (Python'u bilmenize gerek yok, cidden, daha önce de bilmiyordum). DONT, bu kitabın yalnızca danışman sistemi yaratmaya odaklandığını düşünüyor. Ayrıca metin madenciliği / spam filtreleme / optimizasyon / kümeleme / doğrulama vb. İle ilgilenir ve bu nedenle size her veri madencisinin temel araçları hakkında temiz bir genel bakış sunar.

Witten ve Frank, "Veri Madenciliği", Elsevier 2005, kitapla birlikte bir Java kod kütüphanesi (Weka) bulunduğundan ve pratik yönelimli olduğundan, kendi kendine öğrenme için iyi bir kitaptır. Sanırım sahip olduğumdan daha yeni bir sürüm var.

Makine Öğrenimi: Stephen Marsland'ın Algoritmik Perspektifi var ve kendi kendine öğrenme için çok faydalı buluyorum. Kitap boyunca Python kodu verilmiştir.

Bu olumlu incelemede söylenenlere katılıyorum:

http://blog.rtwilson.com/review-machine-learning-an-algorithmic-perspective-by-stephen-marsland/

“İstatistiksel Öğrenmenin Öğeleri” amaçlarınız için harika bir kitap olacaktır. 2011'in başlarında basılan kitabın 5. basımı http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf adresinde ücretsiz olarak mevcuttur.

• http://scikit-learn.org/stable/tutorial/machine_learning_map/

Genellikle bir makine öğrenme problemini çözmenin en zor kısmı iş için doğru tahminciyi bulmak olabilir. Farklı tahminciler, farklı veri türleri ve farklı problemler için daha uygundur. Aşağıdaki akış çizelgesi, kullanıcılara verileriniz üzerinde hangi tahmin edicilerin deneneceği ile ilgili sorunlara nasıl yaklaşılacağı konusunda biraz yardımcı olacak şekilde tasarlanmıştır. Belgelerini görmek için aşağıdaki tablodaki herhangi bir tahmin ediciye tıklayın.

Müthiş-makine-öğrenme depoyu kodu, öğreticiler ve dahil kaynakların, bir ana listesi gibi görünüyor kitaplar .

Diğer cevaplarda bahsedilen kitapların çoğu çok iyi ve bunlardan hiçbirinde gerçekten yanlış gidemezsiniz. Ayrıca, Python's için aşağıdaki kopya kağıdıscikit-learn oldukça yararlı buluyorum .

Duda, Hart ve Stork "Desen Sınıflandırması" nı seviyorum. Bu, her şeyi çok iyi açıklayan klasik bir metnin son halidir. Sinir ağları ve SVM'lerin kapsandığı güncellendiğinden emin değilim. Hastie, Tibshirani ve Friedman'ın kitabı en iyisidir, ancak aradığınızdan biraz daha teknik olabilir ve konuya genel bir bakıştan ziyade ayrıntılıdır.

Microsoft Azure ayrıca, Anton Tarasenko tarafından yayınlanan bir bilim-kurgu öğrenimine benzer bir kopya kağıdı da sağlıyor.

(kaynak: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet )

Bir ihbarla eşlik ederler:

Bu algoritma hile sayfasında sunulan öneriler yaklaşık kurallardır. Bazıları bükülebilir, bazıları ise açıkça ihlal edilebilir. Bu bir başlangıç ​​noktası önermek içindir. (...)

Microsoft ayrıca, daha fazla ayrıntı sağlayan bir tanıtım makalesi sunar.

Lütfen bu malzemelerin Microsoft Azure'da uygulanan yöntemlere odaklandığını unutmayın.

İstatistiksel Öğrenme Öğeleri ile başlama. Harika, ama aradığın gibi görünmeyen bir referans kitabı. Programlama Kollektif Zekası ile başlardım, çünkü kolay okunur.

İlkeleri açıklamada iyi bir iş çıkaran makine öğrenmesi üzerine ilk kitap için şiddetle tavsiye ederim

Rogers ve Girolami, Makine Öğrenmede İlk Kurs , (Chapman & Hall / CRC Makine Öğrenimi ve Örüntü Tanıma), 2011.

Chris Bishop'un kitabı ya da David Barber'ın her ikisi de, ilkeleri iyi kavradığınız zaman, daha geniş bir kitap için iyi seçimler yapar.

Öyle bir özet yazdım, ancak sadece bir makinede öğrenme görevinde (Netflix Ödülü) ve 195 sayfa var: http://arek-paterek.com/book

Makine öğrenmesiyle ilgili bazı ücretsiz e-kitaplar içeren bu bağlantıya göz atın: http://designimag.com/best-free-machine-learning-ebooks/ . sizin için yararlı olabilir.

Max Kuhn'un Applied Predictive Modeling adlı kitabında iyi bir kopya kağıdı var . Kitapta birçok ML öğrenme modelinin iyi bir özet tablosu bulunmaktadır. Tablo ek A sayfa 549'da verilmiştir.