Кулинарная книга по машинному обучению / справочная карточка / шпаргалка?

Я считаю невероятно полезными такие ресурсы, как Книга вероятностей и статистики и Справочная карта R для интеллектуального анализа данных . Они, очевидно, служат справочной информацией, но также помогают мне организовать свои мысли по теме и получить представление о земле.

В: Есть ли что-то подобное этим ресурсам для методов машинного обучения?

Я представляю себе справочную карточку, которая для каждого метода ML будет включать:

• Общие свойства
• Когда метод работает хорошо
• Когда метод работает плохо
• Из каких или каких других методов метод обобщается. Это было в основном заменено?
• Основополагающие документы по методу
• Открытые проблемы, связанные с методом
• Вычислительная интенсивность

Я уверен, что все эти вещи можно найти с минимальным копанием в учебниках. Было бы очень удобно иметь их на нескольких страницах.

Некоторые из лучших и свободно доступных ресурсов:

• Hastie, Friedman et al. Элементы статистического обучения: сбор данных, вывод и прогнозирование
• Дэвид Барбер. Байесовское рассуждение и машинное обучение
• Дэвид Маккей. Теория информации, вывод и алгоритмы обучения (http://www.inference.phy.cam.ac.uk/mackay/itila/)

Что касается вопроса автора, я не встречал решение «Все на одной странице»

Если вы хотите изучать машинное обучение, я настоятельно рекомендую вам записаться на бесплатный онлайн-курс по зимнему ML, который проводит профессор Эндрю Нг .

Я сделал предыдущий осенью, и все учебные материалы имеют исключительное качество и ориентированы на практическое применение, и гораздо легче справиться с этой борьбой наедине с книгой.

Это также сделало довольно низко висящий фрукт с хорошими интуитивными объяснениями и минимальным количеством математики.

Да, ты в порядке; «Распознавание образов и машинное обучение» Кристофера Бишопа - отличная книга для общего ознакомления, с ней нельзя ошибиться.

Относительно недавняя книга, но также очень хорошо написанная и столь же обширная, - « Байесовское мышление и машинное обучение » Дэвида Барбера ; книга, которую я чувствую, немного больше подходит новичку в этой области.

Я использовал «Элементы статистического обучения» от Hastie et al. (упомянуто Макро), и хотя это очень сильная книга, я бы не рекомендовал ее в качестве первой ссылки; может быть, это послужит вам лучшим справочным материалом для более специализированных тем. В этом аспекте книга Дэвида Маккея « Теория информации, умозаключения и алгоритмы обучения» также может сделать великолепную работу.

Поскольку, как представляется, все согласны с тем, что этот вопрос не является дубликатом, я хотел бы поделиться своим фаворитом для начинающих машиностроителей:

Я нашел Программирование Коллективного Разума самой простой книгой для начинающих, так как автор Тоби Сегаран сосредоточен на том, чтобы позволить среднему разработчику программного обеспечения максимально быстро испачкать свои руки взломом данных.

Типичная глава: проблема с данными четко описана, после чего следует грубое объяснение того, как работает алгоритм, и, наконец, показано, как создать некоторые идеи с помощью всего лишь нескольких строк кода.

Использование python позволяет достаточно быстро все понять (вам не нужно знать python, серьезно, я тоже раньше не знал). Не думайте, что эта книга сосредоточена только на создании рекомендательной системы. Он также занимается анализом текста / фильтрацией спама / оптимизацией / кластеризацией / проверкой и т. Д. И, следовательно, дает вам четкий обзор основных инструментов каждого майнера данных.

Виттен и Фрэнк, «Data Mining», Elsevier 2005 - хорошая книга для самообучения, поскольку в ней есть библиотека кода Java (Weka), и она очень ориентирована на практическое применение. Я подозреваю, что есть более свежее издание, чем то, которое у меня есть.

У меня есть машинное обучение: Алгоритмическая перспектива Стивена Марсленда, и я считаю его очень полезным для самообучения. Код Python приведен на протяжении всей книги.

Я согласен с тем, что сказано в этом благоприятном обзоре:

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

«Элементы статистического обучения» будет отличной книгой для ваших целей. Пятое издание книги, которое было опубликовано в начале 2011 года, свободно доступно по адресу http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf.

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

Часто самой сложной частью решения проблемы машинного обучения может быть поиск подходящего оценщика для работы. Разные оценщики лучше подходят для разных типов данных и разных задач. Приведенная ниже блок-схема предназначена для того, чтобы дать пользователям немного приблизительное руководство о том, как подходить к проблемам, касающимся того, какие оценщики примерить ваши данные. Нажмите на любой оценщик в таблице ниже, чтобы увидеть его документацию.

Удивительная машина обучения хранилища , как представляется, основной список ресурсов, в том числе кода, учебников и книги .

Большинство книг, упомянутых в других ответах, очень хороши, и вы не ошибетесь ни с одной из них. Кроме того, я нахожу следующую шпаргалку для Python scikit-learnвесьма полезной.

Мне нравятся Дуда, Харт и Аист "Классификация узоров". Это недавний пересмотр классического текста, который все очень хорошо объясняет. Не уверен, что он обновлен, чтобы иметь большой охват нейронных сетей и SVM. Книга Хасти, Тибширани и Фридмана о лучшем из того, что есть, но может быть немного более технической, чем то, что вы ищете, и является подробным, а не обзором предмета.

Microsoft Azure также предоставляет аналогичную шпаргалку к научному, опубликованному Антоном Тарасенко.

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

Они сопровождают это с уведомлением:

Предложения, предложенные в этом листе алгоритма, являются приблизительными эмпирическими правилами. Некоторые могут быть согнуты, а некоторые могут быть грубо нарушены. Это предназначено, чтобы предложить отправную точку. (...)

Microsoft дополнительно предоставляет вводную статью, содержащую дополнительную информацию.

Обратите внимание, что эти материалы ориентированы на методы, реализованные в Microsoft Azure.

Не начинайте с элементов статистического обучения. Это здорово, но это справочник, который не похож на то, что вы ищете. Я бы начал с программирования Коллективного разума, так как его легко читать.

Для первой книги по машинному обучению, которая хорошо объясняет принципы, я настоятельно рекомендую

Роджерс и Джиролами, Первый курс по машинному обучению , (Chapman & Hall / CRC Машинное обучение и распознавание образов), 2011.

Книга Криса Бишопа или Дэвида Барбера оба сделают хороший выбор для книги с большей широтой, если вы хорошо разберетесь в принципах.

Я написал такое резюме, но только по одной задаче машинного обучения (Netflix Prize), и оно состоит из 195 страниц: http://arek-paterek.com/book

Проверьте эту ссылку с некоторыми бесплатными электронными книгами по машинному обучению: http://designimag.com/best-free-machine-learning-ebooks/ . это может быть полезно для вас.

Хорошая шпаргалка есть в книге Макса Куна « Прикладное прогнозное моделирование» . В книге есть хорошая сводная таблица нескольких моделей обучения ML. Таблица в приложении А, стр. 549.