Кулінарна книга машинного навчання / довідкова карта / шпаргалка?

Мені здається, що такі ресурси, як « Вірогідність та статистика», та «Довідкова картка R» для обміну даними, є надзвичайно корисними. Вони, очевидно, добре слугують довідками, але також допомагають мені організувати свої думки на тему та отримати землю.

З: Чи існує щось подібне до цих ресурсів для методів машинного навчання?

Я уявляю собі довідкову карту, яка для кожного методу МЛ включала б:

• Загальні властивості
• Коли метод працює добре
• Коли метод погано працює
• Від яких або до яких інших методів узагальнюється метод. Це здебільшого замінено?
• Семінарські роботи про метод
• Відкриті проблеми, пов'язані з методом
• Обчислювальна інтенсивність

Усі ці речі можна знайти при мінімальному копанні підручників, я впевнений. Просто було б дуже зручно розмістити їх на кількох сторінках.

Одні з найкращих та вільно доступних ресурсів:

• Хасті, Фрідман та ін. Елементи статистичного навчання: видобуток даних, умовиводи та прогнозування
• Девід Барбер. Байесівське розумування та машинне навчання
• Девід Маккей. Алгоритми інформаційної теорії, висновку та навчання (http://www.inference.phy.cam.ac.uk/mackay/itila/)

Щодо питання автора, я не зустрічав рішення "Все в одну сторінку"

Якщо ви хочете навчитися машинному навчанню, я настійно раджу записатись на безкоштовний онлайн-курс ML взимку, який викладає професор Андрій Нг .

Я робив попередній восени, і весь навчальний матеріал відрізняється винятковою якістю та орієнтований на практичне застосування, і набагато простіше шукати, що бореться наодинці з книгою.

Також зроблено досить низький висячий фрукт з хорошими інтуїтивними поясненнями та мінімальною кількістю математики.

Так, у вас все добре; «Розпізнавання візерунків та машинне навчання» Крістофера Бішопа - це відмінна книга для загального ознайомлення, ви не можете в цьому помилитися.

Досить недавня книга, але також дуже добре написана і настільки ж широка, - « Байесівське розум і машинне навчання » Девіда Барбера ; Книга, яку я вважаю, трохи підходить для новачків у цій галузі.

Я використав "Елементи статистичного навчання" від Hastie et al. (згадується Макросом), і хоча це дуже сильна книга, я б не рекомендував це як перше посилання; можливо, це послужить вам краще як друга орієнтир для більш спеціалізованих тем. У цьому аспекті книга Девіда Маккея " Інформаційна теорія, умовиводи та алгоритми навчання" також може зробити чудову роботу.

Оскільки, здається, існує думка, що це питання не є дублікатом, я хотів би поділитися своїм улюбленим для початківців машинного навчання:

Я визнав програмування колективного інтелекту найпростішою книгою для початківців, оскільки автор Тобі Сегаран зосереджений на тому, щоб дозволити середньому розробнику програмного забезпечення забруднити руки якомога швидше зломлення даних.

Типовий розділ: Проблема даних чітко описується, після чого йде грубе пояснення того, як працює алгоритм і, нарешті, показано, як створити деяку інформацію з лише кількома рядками коду.

Використання python дозволяє зрозуміти все досить швидко (вам не потрібно знати python, серйозно, я не знав цього і раніше). НЕ думайте, що ця книга зосереджена лише на створенні системи рекомендацій. Він також має справу з видобуванням тексту / фільтрацією спаму / оптимізацією / кластеризацією / валідацією тощо.

Віттен і Френк, "Майнінг даних", Elsevier 2005 - це хороша книга для самонавчання, оскільки існує бібліотека Java з кодом (Weka), яка йде разом з книгою і дуже практично орієнтована. Я підозрюю, що є більш нове видання, ніж те, що я маю.

У мене є машинне навчання: алгоритмічна перспектива Стівена Марсленда і вважаю це дуже корисним для самонавчання. Код Python подано у всій книзі.

Я згоден з тим, що сказано в цьому сприятливому огляді:

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

"Елементи статистичного навчання" були б чудовою книгою для ваших цілей. П'яте видання книги, яке було опубліковано на початку 2011 року, є у вільному доступі на веб- сайті http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

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

Часто найважчою частиною вирішення проблеми машинного навчання може бути пошук правильного оцінювача для роботи. Різні оцінки краще підходять для різних типів даних та різних проблем. Блок-схема наведена нижче призначена для того, щоб дати користувачам трохи орієнтовного керівництва щодо того, як підійти до проблем стосовно того, які оцінювачі використати ваші дані. Клацніть будь-який оцінювач у таблиці нижче, щоб побачити його документацію.

Дивовижна машина навчання сховища , як видається, основною список ресурсів, в тому числі коду, підручників і книги .

Більшість книг, згаданих в інших відповідях, дуже хороші, і ви не можете дійсно помилитися з жодною з них. Крім того, я вважаю, що наступний шпаргалка для Python є scikit-learnдосить корисною.

Мені подобаються Дуда, Харт та Лелека "Класифікація візерунків". Це нещодавній перегляд класичного тексту, який дуже добре пояснює все. Не впевнений, що він оновлюється, щоб мати велике покриття нейронних мереж та SVM. Книга Хасті, Тібширані та Фрідмана - про найкраще, але там може бути трохи більш технічним, ніж те, що ви шукаєте, і є детальним, а не оглядом теми.

Microsoft Azure також надає аналогічну шпаргалку до scikit-learn, яку розмістив Антон Тарасенко.

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

Вони супроводжують це повідомленням:

Пропозиції, запропоновані в цьому алгоритмі шпаргалки, є приблизними правилами. Деякі можуть бути зігнуті, а деякі - грубо порушеними. Це покликане запропонувати вихідну точку. (...)

Microsoft додатково надає вступну статтю, де надаються додаткові деталі.

Зауважте, що ці матеріали орієнтовані на методи, реалізовані в Microsoft Azure.

Не починайте з елементів статистичного навчання. Це чудово, але це довідник, який не схожий на те, що ви шукаєте. Я б почав із програмування колективного інтелекту, оскільки це легко прочитати.

Першу книгу про машинне навчання, яка непогано пояснює принципи, я настійно рекомендую

Роджерс і Джироламі, перший курс з машинного навчання (Чапман, Холл / Машинне навчання та розпізнавання образів), 2011 рік.

Книга Кріса Бішопа чи обох Девіда Барбера роблять хороший вибір для книги з більшою широтою, як тільки ви добре зрозумієте принципи.

Я написав такий конспект, але лише про одне завдання машинного навчання (премія Netflix), і він має 195 сторінок: http://arek-paterek.com/book

Перевірте це посилання, де ви знайдете кілька безкоштовних електронних книг про машинне навчання: http://designimag.com/best-free-machine-learning-ebooks/ . це може бути корисним для вас.

Хороший шахрайський лист - той, який є в книзі Макса Куна « Прикладне прогнозування» . У книзі є хороша зведена таблиця з декількох моделей навчання МЛ. Таблиця в додатку A, сторінка 549.