Laskennassa on muutama aihe yhtä kiehtovana tai pelottavana kuin koneoppiminen. Tunnustetaan tosiasia - koneoppimista ei voi hallita viikonloppuna, ja se vaatii ainakin hyvän käsityksen taustalla olevista matemaattisista periaatteista.
Siitä huolimatta, jos sinulla on matemaattisia pilkkuja, sinun kannattaa lisätä koneoppimisen puitteiden käyttöä (on paljon valittavissa) ymmärtämällä niiden taustalla olevaa teoriaa.
Tässä on viisi korkealaatuista, vapaasti luettavaa tekstiä, jotka tarjoavat johdannon ja selityksiä koneoppimisen hyödyllisyyksille. Joillakin on koodiesimerkkejä, mutta useimmat keskittyvät kaavoihin ja teoriaan; periaatteessa niitä voidaan soveltaa mihin tahansa määrään kieliä, kehyksiä tai ongelmia.
Koneoppimisen kurssi
Ydin:Erittäin luettava teksti, joka on suunniteltu tarjoamaan erittäin aloittelijaystävällinen lähestymistapa aiheeseen. Kirja on keskeneräinen työ - jotkut osiot on edelleen merkitty TODO: ksi, mutta mitä siinä ei ole täydellisyyttä, se muodostaa pelkän saavutettavuuden.
Kohdeyleisö:Jokainen, jolla on hyvä käsitys laskennasta, todennäköisyydestä ja lineaarisesta algebrasta. Asiantuntemusta millään tietyllä kielellä ei vaadita.
Koodin sisältö:Jotkut pseudokoodit; suurin osa esitetystä on käsitteitä ja kaavoja.
Tilastollisen oppimisen elementit
Ydin: 500 plus-sivun teksti, joka kattaa sen, mitä kirjoittajat kuvailevat "oppimiseksi datasta", koneoppimisen perustana olevien tilastojen käyttämisprosessit. Vuodesta 2001 lähtien se on ollut kahdesta painoksesta ja 10 painatuksesta hyvästä syystä - se kattaa valtavan määrän aluetta eikä ole rajoitettu mihinkään kenttään.
Kohdeyleisö:Ne, joilla on jo hyvä perusta matematiikassa ja tilastoissa, eivätkä tarvitse paljon kädessä pitämistä matemaattisten taitojensa kääntämiseksi hyväksi koodiksi.
Koodin sisältö:Ei mitään. Tämä ei ole ohjelmistokehitysteksti; tässä on kyse koneoppimisen perustekijöistä.
Mainittu tässä artikkelissa
- Koneoppimisen kurssi Lisätietoja Hal Daumé III: sta
- Tilastollisen oppimisen elementit, 2. painos. Lisätietoja Stanfordin yliopistosta
- Bayesin päättely ja koneoppiminen Lisätietoja David Barberista
- Gaussin prosessit koneoppimiseen Lue lisää koneen Gaussin prosessista ...
- Koneoppiminen Lisätietoja InTechistä
Bayesin päättely ja koneoppiminen
Ydin: Bayesilaiset menetelmät ovat kaiken takana roskapostisuodattimista mallin tunnistamiseen, joten ne muodostavat tärkeän tutkimusalueen koneoppimiseen. Tässä tekstissä käydään läpi kaikki Bayesin tilastojen pääkohdat ja niiden soveltaminen koneoppimisen yleisiin skenaarioihin.
Kohdeyleisö:Jokainen, jolla on hyvä käsitys laskennasta, todennäköisyydestä ja lineaarisesta algebrasta.
Koodin sisältö: Paljon! Jokainen luku sisältää sekä näennäiskoodin että linkit työkalupakettiin todellisista koodidemoista. Koodi ei kuitenkaan ole Pythonissa tai R: ssä, mutta se on kaupallisen MATLAB-ympäristön koodi, vaikka GNU Octave voi toimia avoimen lähdekoodin korvikkeena.
Gaussin prosessit koneoppimiseen
Ydin:Gaussin prosessit ovat osa Bayesin menetelmien käyttämää analyysiperhettä. Tämä teksti keskittyy siihen, kuinka Gaussin käsitteitä voidaan käyttää tavallisissa koneoppimismenetelmissä, kuten luokittelu, regressio ja mallikoulutus.
Kohdeyleisö:Suunnilleen sama kuin "Bayesin päättely ja koneoppiminen".
Koodin sisältö:Suurin osa kirjassa esitetystä koodista on pesudokoodi, mutta kuten "Bayesin päättely ja koneoppiminen", liitteet sisältävät esimerkkejä MATLAB / Octave-ohjelmasta.
Koneoppiminen
Ydin: Kokoelma esseitä koneoppimisen eri ja erittäin spesifisistä näkökohdista. Jotkut ovat yleisempiä ja filosofisempia; toiset keskittyvät tiettyihin ongelma-alueisiin, kuten "koneoppimismenetelmät puhutun vuoropuhelun simulointiin ja optimointiin".
Kohdeyleisö:Tarkoitettu maallikoille sekä teknisesti taipuvaisemmille.
Koodin sisältö:Lähes mitään, vaikka kaavoja onkin runsaasti. Lue maku.
