機器學習是個跨領(lǐng)域的學科，而且在實際應用中有巨大作用，但是沒有一本書能讓你成為機器學習的專家。 在這篇文章中，我挑選了 10 本書，這些書有不同的風格，主題也不盡相同，出版時間也不一樣。因此，無論你是新手還是領(lǐng)域?qū)＜?，一定能找到適合你的。 新手的最佳讀物 這本書絕對是初學者非常期待的入門書。這本書條理清晰，學習成本低，因此我把它列為新手的最佳讀物。 下面讓我們深入討論一些關(guān)于人工智能程序的話題。 人工智能編程范例 如果您想接觸最新的人工智能技術(shù)，那么 Peter Norvig 寫的人工智能編程范例將非常適合。 這被廣泛認為是有史以來最好的編程書籍之一。實際的寫作風格很容易遵循。它會引導你在學習的過程中自我發(fā)現(xiàn)。而且例子也幫助你用最清晰的方式寫出高質(zhì)量的 LISP 程序。 請注意，在打開這本書之前，作者默認你應該有編程經(jīng)驗。這并不是說你要成為一個編程方面的專家，但如果你從來沒有寫代碼(或者寫的不太好)，那么你可能在學習的過程中遇到很多困難。 這本書長達 900 多頁，但它仍然是無可爭議學習人工智能這一與機器學習非常相關(guān)的主題的最好的資源。 傻瓜機器學習 以前，我一直是討厭推薦“For dummies”系列的書籍，因為它們都太過簡單直白。但是，由于這本書的作者都是經(jīng)驗豐富的數(shù)據(jù)科學家，我決定破一次例。 即使是零基礎(chǔ)，傻瓜機器學習這本書也能讓讀者快速體驗到機器學習的魅力。盡管書中的例子是用 python 語言寫的，但是其實你并不需要了解 python 的語法。 在本書中，你將了解到機器學習的歷史以及機器學習與人工智能的不同。作者為我們詳盡地講解了每一個知識點。 在讀本書之前，你只需要一些數(shù)學和邏輯方面的基本知識，而并不需要編程的經(jīng)驗。如果你在讀這本書前從沒接觸過算法，可能你會有點痛苦，不過仍然可以做一些互補的研究。 機器學習：新的人工智能 這本書應該是本篇文章中推薦書目中最新的。為什么要把這本書列進來呢?因為這本書著力于用算法處理數(shù)據(jù)集并且?guī)椭幊陶邚臄?shù)據(jù)集中學習。 作者 Ethem Alpaydin 是領(lǐng)域里知名的學者。他還出版了機器學習導論。 Ethem 有豐富的經(jīng)驗，并且他之前的作品也是拔尖的。 Ethem 向我們描述了機器學習的演化過程，并且告訴我們?nèi)绾卧趯嶋H的應用中使用機器學習的算法。在讀這本書之前，你需要有一些編程的經(jīng)驗。當然如果你對機器學習有濃厚的興趣，這樣也是可以的。 由于它是這個書單中最新的一本書，可以確定的是這本書和當前科技行業(yè)緊密結(jié)合。 人工智能：一種現(xiàn)代的方法 雖然人工智能和機器學習是不同的，但是它們有很多相通之處。編程人員可以從中學到很多。你應該學習如何找到解決機器學習項目中問題的方法。 這本書是一個非常棒的導論，總共有 1100 多頁，并涵蓋了許多的技術(shù)。 中高級編程人員可能會覺得這本書過于簡單。這本書并不是為有經(jīng)驗者而寫，而是一本新手的入門書籍。它是你學習人工智能和機器學習基礎(chǔ)的一盤開胃菜。 機器學習：用算法讓數(shù)據(jù)說話 Peter Flach 寫的這本機器學習包含了很多機器學習的實際案例。我認為這本書是為中高級開發(fā)人員而寫。他們可以用這本書鞏固機器學習方面的基礎(chǔ)知識，因為這本書比其它書更詳細。 用這本書，你將利用機器學習方法來生成，分析和預測統(tǒng)計模型。Peter 闡述了自定義垃圾郵件過濾器如何工作，并且解釋了為何這種方法現(xiàn)在這么火。 從 ROC 分析開始，后面的章節(jié)中會比之前深一些。 在每個知識點處，這本書都配有圖形、圖表的說明。機器學習是一個很寬的領(lǐng)域，而 Peter 通過例子的方式，分解了其中主要的部分。 如果你對大數(shù)據(jù)和機器學習感興趣，那么我極力推薦這本書，但是這有一個前提，那就是你有一定的背景知識。 Python 機器學習 在我之前提到的書中，幾乎沒有限定語言的。而這本 Sebastian Raschka 的 450 多頁的書將打破這一記錄。 對于想學習機器學習的 python 開發(fā)人員來說，這本是最好的導論。 很多人選擇 python 作為工具是因為 python 語法簡單，功能強大，而且像 scikit-learn 這樣的機器學習類庫眾多。 這本書詳細地講解了 scikit-learn，并引導我們應用它來做數(shù)據(jù)分析。這本書的作者推崇在編寫算法的同時進行可視化。因此，你不僅能學到如何編寫算法，還能學會對數(shù)據(jù)進行可視化。 總的來說，這本書偏重技術(shù)，但是也不是專門為 python 專家寫的。如果你對 python 語言很熟悉，最好還了解 scikit-learn，那么這本書一定很適合你。 數(shù)據(jù)科學從零開始 這是另一本基于 python 的作品。盡管這本書比大多數(shù)書籍簡潔，但卻對例子進行了詳盡的描述。在數(shù)據(jù)科學這本書中，每一段代碼前作者都附上了一段介紹。所以即使是新手也可以很快上手。 盡管這樣，我仍然要向中高級 Python 開發(fā)人員推薦這本書。你不必知道機器學習的的方法或者數(shù)據(jù)分析的過程就能得到你想要的(正如標題中所寫的“從零開始”)。 這本書的風格簡潔而準確，深度上比 python 機器學習淺一些。如果你想深入研究機器學習，那么這兩個都是不錯的選擇。 這本書中的編碼風格我非常喜歡。每一小片的代碼都是基于之前的工作，而且作者都附上了詳細的思路和過程。 搭建自己的神經(jīng)網(wǎng)絡(luò) 盡管在標題中沒有明言，這本書構(gòu)建神經(jīng)網(wǎng)絡(luò)的語言仍然是 python。Tariq Rashid 將神經(jīng)網(wǎng)絡(luò)作為機器學習過程中的基本組件，而這本書也是深入理解神經(jīng)網(wǎng)絡(luò)的最佳選擇之一。 這本書是杰出的，但價格卻并不昂貴。讀這本書之前，你需要有一定的 python 基礎(chǔ)，這樣讀起來才會比較順利。 作者希望通過用鮮活的例子來幫讀者建立對神經(jīng)網(wǎng)絡(luò)的理解。在讀這本書前，你并不需要成為專家，但是你要有足夠的決心來克服書中較難的章節(jié)。 值得慶幸的是作者的寫作風格溫和且易懂，因此你在閱讀過程中不會遇到太多阻礙。神經(jīng)網(wǎng)絡(luò)是非常難掌握的，而擁有這本書就足夠了! 機器學習原理：預測數(shù)據(jù)分析 這本書的標題有點拗口，價格在所有書中也偏貴，但這本 MIT 出版社出版的書確實是一本非常棒的書。 機器學習原理：預測數(shù)據(jù)分析向我們展示了基于關(guān)系和自定義算法的分析和數(shù)據(jù)選擇過程。這包括能從其他相關(guān)資源中獲取信息的更通用的信息學習。這本書還包含了復雜的基于概率的機器學習方法。 你將學習到讓機器學習算法按照你的指示進行數(shù)據(jù)分析的高級技能。這本書通過例子的方式引導讀者，并且驅(qū)動讀者考慮不同的方式分析數(shù)據(jù)。 在讀這本書之前，你需要足夠的編程知識和矩陣知識。我想將這本書推薦給了解機器學習并想更進一步的數(shù)據(jù)科學家。 模式識別和機器學習
這本書也是為高級數(shù)據(jù)科學家和高級開發(fā)人員準備的。每一章節(jié)包含基于數(shù)據(jù)集中模式的概率和機器學習的話題。 模式識別和機器學習是掌握模式識別的導論。這本書用基本的概念帶你從宏觀進入到鮮活的實例中。 這本書的寫作風格是沒的挑的。作者傾向與重復的闡明一個觀點。因此盡管這書的內(nèi)容很難，這仍然是將知識灌進讀者腦子的最佳方式。 你需要有深厚的數(shù)學功底，甚至數(shù)據(jù)科學的知識也是非常必要的。這本書很難，但是簡潔的書寫風格和清晰的例子會讓你對模式識別有更深的認識。 這 10 本書是我精心挑選的，它們涵蓋了很寬泛的領(lǐng)域。如果你想更好的理解機器學習或者解決項目中的問題，你需要根據(jù)你的實際情況選擇最適合你的書，因為它們值得擁有。 對于沒有基礎(chǔ)的新手來說，我會推薦《傻瓜機器學習》這本書。如果你想著手于 python，那么 python 機器學習是個很好的選擇。 這些書都是很棒的。我建議你先理解一門語言，這樣就可以從一個真實場景中理解這些概念。 很多書都非常專業(yè)，因此很難去廣泛的推薦。但是讀完本文后，一定會有你想要的。 文章原標題《The Best Machine Learning Books To Go From Novice To Expert》，作者： Alex Turner，譯者：愛小乖 |
|
|
