2020必读的12本机器学习书籍( 二 ) _机器学习

“作为一种学习，它类似于人类用来确定某些对象或事件来自同一类的方法，例如通过观察对象之间的相似度。” ― 约翰·保罗·穆勒
5. Machine Learning in Action
作者：彼得·哈灵顿
难度等级：初学者
中文版购买链接：
工业机器学习算法
￥51.8
购买

文章插图

一本有价值的书，旨在为开发人员提供机器学习所需技术的动手经验。这是一本同样重要的书，尽管需要具有Python的先验经验，但熟悉ML相关的Python代码。
本书包含用于统计数据处理，数据分析和数据可视化的各种算法的代码，以及诸如分类，预测，建议，简化等任务。用最少的理论，这本书直接介绍了这些算法的实际实现。
6. Pattern Recognition and Machine Learning（PRML）
作者：Christopher M. Bishop
难度等级：中级
Github仓库： —
https://github.com/ctgk/PRML
pdf中文、英文版免费下载地址：个人主页点击“私信”，回复关键字“20prml”获取下载地址。

文章插图

本书面向具有模式识别和机器学习基础知识的人，假定读者具有一定程度的多元微积分和代数知识。
本书中的概念旨在解释ML领域中基础算法和技术的最新发展。本书涵盖了广泛使用的主题，例如贝叶斯方法，回归，分类，神经网络，图形模型，采样方法等，非常适合理解ML，统计，计算机视觉和挖掘。这本书完全堆砌在一起，包括各种练习和其他材料。
7. An Introduction to Statistical Learning (with Applications in R)
作者：Gareth James，Daniela Witten，Trevor Hastie和Robert Tibshirani
难度等级：中级

文章插图

尽管需要一些线性回归的先验知识，但这本书还是理解统计学习概念的绝佳工具。通过提供有关如何利用大型和复杂数据集的平衡见解，其目的是教育广泛的统计学家和非统计学家，并使他们能够理解手中的数据。
它涵盖了统计学习的几个重要概念，例如线性回归，分类，基于树的模型，支持向量机，重采样方法等。各种示例和教程使学习过程更加愉快，并且其中包括多个R labs，以演示这些统计方法的实现。
8. Applied Predictive Modeling
作者：Max Kuhn和Kjell Johnson
难度等级：中级

文章插图

作为许多预测建模概念的出色参考书，这本书需要对统计，R编程语言和机器学习概念有深入的了解。作者专注于解释数据收集，操纵和转换过程，因为这在ML书籍中经常被忽略。
本书的应用性质使其成为分析行业面临的实际问题的绝佳选择。读者可以深入研究数据的预处理，拆分和模型调整，然后进行回归，分类，处理类不平衡，选择预测变量。
9. Machine Learning for Hackers: Case Studies and Algorithms to Get You Started
作者：Drew Conway和John Myles
难度等级：中级

文章插图

就像标题所说的那样，本书不适合黑客使用，而是适合那些对动手案例研究感兴趣的人。本书要求有很强的编程背景，旨在通过驱动机器学习的算法来训练你。各个章节集中讨论了ML中的每个问题，例如分类，优化，预测和建议。
这本书还训练你使用R语言，以及如何分析数据集并开始编写简单的ML算法。它与其他书籍不同的一个重要差异是对数学的依赖低。
10. Programming Collective Intelligence: Building Smart Web 2.0 Applications
作者：Toby Segaran
难度等级：中级

文章插图

假设你知道Python，这本书被许多人认为是机器学习的最佳指南，它更愿意教你ML的实现。它包括创建用于访问网站上的数据集的算法和程序，自行收集数据以及分析和利用数据的步骤。
本书将向你介绍ML和统计信息，其中包括爬虫，索引器，优化，PageRank算法，过滤技术，决策树的示例。本书旨在按照你的步调逐步指导你完成算法的整个过程，因此出色地完成了其工作。
11. The Elements of Statistical Learning: Data Mining, Inference, and Prediction
作者：Trevor Hastie，Robert Tibshirani和Jerome Friedman