Phenquestions
Kein Wunder also, dass so viele Menschen erwägen, in die faszinierende Welt der Computeralgorithmen einzusteigen, die sich durch Erfahrung automatisch verbessern. Wenn Sie zu ihnen gehören – oder einfach nur über den Hype hinwegsehen und verstehen möchten, worum es beim maschinellen Lernen wirklich geht – kann Ihnen unsere Auswahl der 20 besten Lehrbücher zum maschinellen Lernen helfen, Ihre Ziele zu erreichen.
Künstliche Intelligenz: Ein moderner Ansatz (4. Auflage) von Peter Norvig und Stuart J. Russell
Verfügbar: bei Amazon
Veröffentlicht: 2020
Seitenzahl: 1136
Die Entscheidung, mit welchem Lehrbuch für maschinelles Lernen zu beginnen war, war nicht schwer, denn Künstliche Intelligenz: Ein moderner Ansatz wird Studenten von Universitäten auf der ganzen Welt empfohlen. Jetzt in seiner 4das Edition bietet das Buch eine fantastische Einführung in das Gebiet der künstlichen Intelligenz (Maschinelles Lernen ist eine Teilmenge der KI) für Anfänger, und es deckt auch ein breites Spektrum verwandter Forschungsthemen ab und bietet nützliche Referenzen für das weitere Studium. Laut den Autoren sollte dieses große Lehrbuch etwa zwei Semester dauern, also erwarte keine schnelle Lektüre.
Mustererkennung und maschinelles Lernen von Christopher M. Bischof
Verfügbar: auf Amazon
Veröffentlicht: 2011
Seitenzahl: 738
Denken Sie an Mustererkennung und maschinelles Lernen von Christopher M. Bishop als sanfter (zumindest was die Lehrbücher des maschinellen Lernens angeht) Einführungskurs in die Theorie des maschinellen Lernens. Das Lehrbuch enthält über 400 Übungen, die nach ihrem Schwierigkeitsgrad abgestuft sind, und viel mehr zusätzliches Material ist auf seiner Website verfügbar. Erwarte nur nicht, dass du die Theorie anwenden kannst, die das Lehrbuch lehrt, wenn du die letzte Seite erreicht hast – dafür gibt es andere Bücher.
Deep Learning von Goodfellow et. al
Verfügbar: auf Amazon
Veröffentlicht: 2016
Seitenzahl: 800
Wenn Sie Elon Musk bitten würden, Ihnen ein Buch über maschinelles Lernen zu empfehlen, würde er Ihnen dieses empfehlen. Er sagt einmal, dass Deep Learning das einzige vollständige Buch zu diesem Thema ist. Das Buch deckt alles ab, vom mathematischen und konzeptionellen Hintergrund über branchenführende Deep-Learning-Techniken bis hin zu den neuesten Forschungsperspektiven. Wir empfehlen Ihnen, sich die elektronische Version zu besorgen, da Deep Learning für seine schlechte Druckqualität berüchtigt ist.
Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage, Zweite Auflage von Hastie, Tibshirani und Friedman
Verfügbar: auf Amazon
Veröffentlicht: 2016
Seitenzahl: 767
Lass dich vom Titel dieses Lehrbuchs nicht einschüchtern. Wenn Sie maschinelles Lernen wirklich verstehen und es anwenden möchten, um schwierige Probleme zu lösen, müssen Sie sich daran gewöhnen, Lehrbücher zu lesen, die nicht sehr zugänglich erscheinen. Auch wenn das Lehrbuch einen entschieden statistischen Ansatz verfolgt, muss man kein Statistiker sein, um es zu lesen, da es eher Konzepte als Mathematik betont.
Praktisches maschinelles Lernen mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken zum Aufbau intelligenter Systeme (2nd Edition) von Aurélien Géron
Verfügbar: auf Amazon
Veröffentlicht: 2019
Seitenzahl: 856
Scikit-Learn, Keras und TensorFlow sind drei beliebte Bibliotheken für maschinelles Lernen, und dieses Lehrbuch konzentriert sich darauf, wie sie verwendet werden können, um maschinelle Lernprogramme zu erstellen, die tatsächliche Probleme lösen solve. Dank der Anfängerfreundlichkeit dieser Bibliotheken sind nur minimale theoretische Hintergrundkenntnisse erforderlich, um dieses Lehrbuch zu lesen, was es ideal für diejenigen macht, die ein intuitives Verständnis des maschinellen Lernens erlangen möchten, indem sie etwas Nützliches aufbauen.
Machine Learning verstehen: Von der Theorie zu Algorithmen von Shai Shalev-Shwartz und Shai Ben-David
Verfügbar: bei Amazon
Veröffentlicht: 2014
Seitenzahl: 410
Viele Lehrbücher über maschinelles Lernen sind schwer zu durchschauen, weil ihre Autoren sich nicht in die Lage eines Neulings versetzen können, aber nicht dieses but. Das Verständnis des maschinellen Lernens beginnt mit einer klaren Einführung in das statistische maschinelle Lernen. Es verbindet dann die theoretischen Konzepte mit praktischen Algorithmen, ohne weder zu wortreich noch zu vage zu sein. Egal, ob Sie Ihr Wissen auffrischen oder sich auf eine lebenslange Reise in die Branche begeben möchten, zögern Sie nicht, dieses Lehrbuch zu greifen.
Maschinelles Lernen: Eine probabilistische Perspektive von Kevin P. Murphy
Verfügbar: bei Amazon
Veröffentlicht: 2012
Seitenzahl: 1104
Wie der Titel dieses Buches andeutet, basiert diese Einführung in das maschinelle Lernen auf probabilistischen Modellen, um Muster in Daten zu erkennen und sie zu verwenden, um Vorhersagen über zukünftige Daten zu treffen. Das Buch ist in einem angenehmen, ungezwungenen Stil geschrieben und verwendet viele Illustrationen und praktische Beispiele. Die beschriebenen Modelle wurden mit dem Probabilistic Modeling Toolkit implementiert, einem MATLAB-Softwarepaket, das Sie aus dem Internet herunterladen können. Leider wird das Toolkit nicht mehr unterstützt, da die neue Version dieses Buches stattdessen Python verwendet.
Informationstheorie, Inferenz und Lernalgorithmen von David J. C. MacKay
Verfügbar: bei Amazon
Veröffentlicht: 2003
Seitenzahl: 640
Ja, dieses Lehrbuch wurde vor fast 20 Jahren veröffentlicht, aber das macht es heute nicht weniger relevant. Schließlich ist maschinelles Lernen nicht annähernd so jung, wie der jüngste Hype um es vermuten lässt. Was macht Informationstheorie, Inferenz und Lernalgorithmen von David J. C. MacKay ist so zeitlos, dass sein multidisziplinärer Ansatz zahlreiche Verbindungen zwischen verschiedenen Bereichen bietet. Für sich allein genommen ist es nicht sehr nützlich, da es nicht genügend praktische Beispiele enthält, aber es eignet sich hervorragend als Einführungslehrbuch.
Eine Einführung in das statistische Lernen: Mit Anwendungen in R von Gareth M. James, Trevor Hastie, Daniela Witten und Robert Tibshirani
Verfügbar: bei Amazon
Veröffentlicht: 2013
Seitenzahl: 440
Sie können sich eine Einführung in das statistische Lernen als eine zugänglichere Alternative zu The Elements of Statistical Learning vorstellen, die fortgeschrittene Kenntnisse in mathematischer Statistik erfordert. Um dieses Lehrbuch zu beenden, sollten Sie mit einem Bachelor-Abschluss in Mathematik oder Statistik perfekt sein. Auf 440 Seiten geben die Autoren einen Überblick über das Gebiet des statistischen Lernens und stellen wichtige Modellierungs- und Vorhersagetechniken samt ihren Anwendungen vor.
Das hundertseitige Buch über maschinelles Lernen von Andriy Burkov
Verfügbar: bei Amazon
Veröffentlicht: 2019
Seitenzahl: 160
Während die meisten in diesem Artikel aufgeführten Lehrbücher eher tausend Seiten umfassen, erklärt dieses dünne Buch, das als Herausforderung auf LinkedIn begann, auf nur etwa hundert Seiten viel. Ein Grund, warum The Hundred-Page Machine Learning Book auf Anhieb ein Hit wurde, ist seine einfache Sprache, die eine willkommene Abkehr von steifen akademischen Arbeiten ist. Wir empfehlen dieses Buch Software-Ingenieuren, die glauben, dass sie die verfügbaren Tools für maschinelles Lernen nutzen könnten, aber nicht wissen, wo sie anfangen sollen. Das Buch kann jedoch von jedem gelesen werden, der sich für maschinelles Lernen interessiert, da es Konzepte über Code betont.
Einführung in maschinelles Lernen mit Python: Ein Leitfaden für Data Scientists von Andreas C. Müller und Sarah Guido
Verfügbar: bei Amazon
Veröffentlicht: 2016
Seitenzahl: 400
Wenn Sie Python fließend sprechen und mit maschinellem Lernen beginnen möchten, indem Sie praktische Lösungen für echte Probleme entwickeln, ist dies das richtige Buch für Sie. Nein, Sie werden nicht zu viel Theorie lernen, aber alle grundlegenden Konzepte werden gut behandelt, und es gibt viele andere Bücher, die den Rest abdecken. Um das Beste aus der Einführung in das maschinelle Lernen mit Python herauszuholen, sollten Sie zumindest mit den Bibliotheken NumPy und matplotlib vertraut sein.
Angewandte prädiktive Modellierung von Max Kuhn und Kjell Johnson
Verfügbar: bei Amazon
Veröffentlicht: 1. Aufl. 2013, Korr. 2. Druck 2018
Seitenzahl: 613
Dieses Lehrbuch bietet eine Einführung in Vorhersagemodelle, die Daten und Statistiken verwenden, um Ergebnisse mit Datenmodellen vorherzusagen. Es beginnt bei der Datenverarbeitung und setzt sich fort mit modernen Regressions- und Klassifikationstechniken, wobei immer echte Datenprobleme im Vordergrund stehen. Dank des mitgelieferten R-Codes, der genau zeigt, was Sie tun müssen, um eine funktionierende Lösung zu erhalten, können Sie alle im Buch erklärten Modelle einfach implementieren.
Deep Learning mit Python von François Chollet
Verfügbar: bei Amazon
Veröffentlicht: 2017
Seitenzahl: 384
Vielleicht kennen Sie den Autor dieses Lehrbuchs für maschinelles Lernen bereits, da er für eine Open-Source-Bibliothek für neuronale Netze namens Keras verantwortlich ist, die wohl beliebteste in Python geschriebene Bibliothek für maschinelles Lernen. Angesichts dieser Informationen und des Titels des Lehrbuchs sollte es Sie nicht überraschen zu erfahren, dass es sich um den besten verfügbaren Keras-Crashkurs handelt. Praktische Techniken haben Vorrang vor Theorie, aber das bedeutet nur, dass Sie anspruchsvolle maschinelle Lernaufgaben in nur wenigen Wochen lösen können.
Maschinelles Lernen von Tom M. Mitchell
Verfügbar: bei Amazon
Veröffentlicht: 1997
Seitenzahl: 414
Dieses Buch wurde 1997 veröffentlicht und stellt alle Arten von maschinellen Lernalgorithmen in einer Sprache vor, die alle CS-Absolventen verstehen sollten. Wenn Sie die Art von Person sind, die ein breites Verständnis eines bestimmten Themas haben muss, bevor Sie sich wohl fühlen, tief darin einzutauchen, werden Sie die Informationen in diesem Buch lieben. Erwarten Sie nur kein maschinelles Lernen von Tom M. Mitchell soll ein praktischer Leitfaden sein, denn das soll dieses Buch nicht sein.
Erstellen von Machine Learning-basierten Anwendungen: Von der Idee zum Produkt von Emmanuel Ameisen
Verfügbar: bei Amazon
Veröffentlicht: 2020
Seitenzahl: 260
Machine-Learning-Modelle zu verstehen ist eine Sache, und zu wissen, wie man sie zur Produktion bringt, eine ganz andere. Dieses relativ schlanke Buch von Emmanuel Ameisen erklärt genau das und führt Sie durch jeden Schritt des Prozesses, von der ersten Idee bis zum eingesetzten Produkt. Das Erstellen von Machine Learning-gestützten Anwendungen kann angehenden Datenwissenschaftlern und ML-Ingenieuren empfohlen werden, die die Theorie beherrschen, sie aber noch in der Branche anwenden müssen.
Reinforcement Learning: Eine Einführung (2. Auflage) von Richard S. Sutton, Andrew G. Barto
Verfügbar: bei Amazon
Veröffentlicht: 2018
Seitenzahl: 552
Reinforcement Learning ist ein Bereich des maschinellen Lernens, der sich mit dem Training von Modellen des maschinellen Lernens befasst, um in einer komplexen, unsicheren Umgebung Maßnahmen zu ergreifen, um den Gesamtbetrag der erhaltenen Belohnung zu maximieren. Wenn das für Sie interessant klingt, zögern Sie nicht, dieses Buch zu kaufen, denn es gilt weithin als die Bibel des Themas. Die zweite Auflage enthält viele wichtige strukturelle und inhaltliche Änderungen, also hol sie dir wenn möglich.
Aus Daten lernen von Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Verfügbar: bei Amazon
Veröffentlicht: 2012
Seitenzahl: 213
Learning From Data ist eine kurze, aber relativ vollständige Einführung in das maschinelle Lernen und seine praktischen Anwendungen in den Bereichen Finanzen, Handel, Wissenschaft und Technik. Das Buch basiert auf mehr als einem Jahrzehnt Lehrmaterial, das die Autoren zu einer Auswahl von Kernthemen destilliert haben, die jeder, der sich für das Thema interessiert, verstehen sollte. Es ist großartig für Anfänger, die nicht viel Zeit haben, um die Theorie des maschinellen Lernens zu studieren, besonders wenn es zusammen mit Yasers Vortragsreihe auf YouTube gelesen wird.
Neuronale Netze und Deep Learning: Ein Lehrbuch von Charu C. Aggarwal
Verfügbar: bei Amazon
Veröffentlicht: 2018
Seitenzahl: 497
Neuronale Netze sind eine Möglichkeit für maschinelles Lernen, und dieses Lehrbuch kann Ihnen helfen, die Theorie dahinter zu verstehen. Genau wie maschinelles Lernen im Allgemeinen ist dieses Buch mathematisch intensiv, also erwarte nicht, dass du zu weit kommst, wenn deine Mathematik eingerostet ist. Trotzdem leistet der Autor großartige Arbeit, um die Mathematik hinter allen bereitgestellten Beispielen zu erklären und den Leser durch verschiedene komplizierte Szenarien zu führen.
Maschinelles Lernen für absolute Anfänger: Eine einfache englische Einführung (2nd Ausgabe) von Oliver Theobald
Verfügbar: bei Amazon
Veröffentlicht: 2017
Seitenzahl: 157
Wenn Sie sich für maschinelles Lernen interessieren, aber nicht unbedingt lange Lehrbücher zu diesem Thema lesen möchten, bevorzugen Sie vielleicht dieses anfängerfreundliche Buch, das eine praktische und hochwertige Einführung in die Maschinensprache in einfachem Englisch bietet. Am Ende dieses Buches werden Sie wissen, wie Sie Hauswerte mit Ihrem ersten in Python erstellten Modell für maschinelles Lernen vorhersagen können.
Generative Deep Learning: Maschinen das Malen, Schreiben, Komponieren und Spielen beibringen von David Foster
Verfügbar: bei Amazon
Veröffentlicht: 2019
Seitenzahl: 330
Über Generative Adversarial Networks (GANs), eines der aktuell heißesten Themen im Bereich des maschinellen Lernens, wurde viel geschrieben und gesagt. Wenn Sie verstehen möchten, wie sie und andere generative Deep-Learning-Modelle unter der Haube funktionieren, ist dieses Buch von David Foster ein guter Ausgangspunkt, sofern Sie Erfahrung mit der Programmierung in Python haben.
