Melhores livros de aprendizado de máquina no top 10top 10
Não há surpresa, então, que tantas pessoas estão pensando em entrar no mundo fascinante dos algoritmos de computador que melhoram automaticamente através da experiência. Se você está entre eles-ou se você quiser olhar além do hype e entender o que o aprendizado de máquina é realmente sobre a seleção dos 20 melhores livros didáticos de aprendizado de máquina, pode ajudá-lo a alcançar seus objetivos.
Inteligência Artificial: Uma abordagem moderna (4ª edição) de Peter Norvig e Stuart J. Russell
Disponível: na Amazon
Publicados: 2020
Contagem de páginas: 1136
Decidir qual livro de aprendizado de máquina para começar não foi difícil porque a inteligência artificial: uma abordagem moderna é recomendada aos estudantes por universidades em todo o mundo. Agora em seus 4º Edição, o livro faz um trabalho fantástico ao introduzir o campo da inteligência artificial (o aprendizado de máquina é um subconjunto de IA) para iniciantes e também abrange uma ampla gama de tópicos de pesquisa relacionados, fornecendo referências úteis para estudos adicionais. Segundo seus autores, este grande livro deve levar cerca de dois semestres para cobrir, então não espere que seja uma leitura rápida.
Reconhecimento de padrões e aprendizado de máquina por Christopher M. Bispo
Disponível: na Amazon
Publicados: 2011
Contagem de páginas: 738
Você pode pensar em reconhecimento de padrões e aprendizado de máquina por Christopher M. Bishop como um curso introdutório (pelo menos no que diz respeito aos livros didáticos de aprendizado de máquina) para a teoria por trás do aprendizado de máquina. O livro inclui mais de 400 exercícios que são classificados de acordo com sua dificuldade, e muito mais material adicional está disponível em seu site. Só não espere saber como aplicar a teoria que o livro ensina quando você atinge sua última página-há outros livros para isso.
Aprendizagem profunda por Goodfellow et. al
Disponível: na Amazon
Publicados: 2016
Contagem de páginas: 800
Se você pedisse a Elon Musk para recomendar um livro sobre aprendizado de máquina, é esse que ele recomendaria. Ele diz uma vez que o aprendizado profundo é o único livro completo sobre este assunto. O livro abrange tudo, desde os antecedentes matemáticos e conceituais até as técnicas de aprendizado profundo líder do setor e as mais recentes perspectivas de pesquisa. Recomendamos que você obtenha a versão eletrônica porque o aprendizado profundo é famoso por sua baixa qualidade de impressão.
Os elementos da aprendizagem estatística: mineração de dados, inferência e previsão, segunda edição de Hastie, Tibshirani e Friedman
Disponível: na Amazon
Publicados: 2016
Contagem de páginas: 767
Não deixe o título deste livro intimidar você. Se você deseja realmente entender o aprendizado de máquina e aplicá -lo para resolver problemas difíceis, precisa se acostumar a ler livros que não parecem muito acessíveis. Embora o livro adote uma abordagem decisivamente estatística, você não precisa ser estatístico para lê -lo porque enfatiza conceitos em vez de matemática.
Aprendizado de máquina prático com scikit-learn, keras e tensorflow: conceitos, ferramentas e técnicas para criar sistemas inteligentes (2nd Edição) de Aurélien Géron
Disponível: na Amazon
Publicados: 2019
Contagem de páginas: 856
Scikit-Learn, Keras e Tensorflow são três bibliotecas populares de aprendizado de máquina, e este livro se concentra em como eles podem ser usados para criar programas de aprendizado de máquina que resolvem problemas reais. Graças à natureza amigável para iniciantes dessas bibliotecas, é necessário um conhecimento teórico mínimo para ler este livro, tornando-o ótimo para aqueles que gostariam de obter uma compreensão intuitiva do aprendizado de máquina, construindo algo útil.
Entendendo o aprendizado de máquina: da teoria aos algoritmos de Shai Shalev-Shwartz e Shai Ben-David
Disponível: na Amazon
Publicados: 2014
Contagem de páginas: 410
Muitos livros didáticos sobre aprendizado de máquina são difíceis de passar porque seus autores não conseguem se colocar no lugar de alguém novo no campo, mas não este. Compreender o aprendizado de máquina começa com uma clara introdução ao aprendizado de máquina estatística. Em seguida, conecta os conceitos teóricos a algoritmos práticos sem ser muito prolixo nem muito vago. Independentemente de se você quiser atualizar seu conhecimento ou embarcar em uma jornada ao longo da vida na indústria, não hesite em pegar este livro.
Aprendizado de máquina: uma perspectiva probabilística de Kevin P. Murphy
Disponível: na Amazon
Publicados: 2012
Contagem de páginas: 1104
Como o título deste livro sugere, esta introdução ao aprendizado de máquina depende de modelos probabilísticos para detectar padrões nos dados e usá -los para fazer previsões sobre dados futuros. O livro é escrito em um estilo agradável e informal e faz ótimo uso de ilustrações e exemplos práticos. Os modelos que descreve foram implementados usando o Probabilistic Modeling Toolkit, que é um pacote de software MATLAB que você pode baixar na Internet. Infelizmente, o kit de ferramentas não é mais suportado porque a nova versão deste livro usará o Python em vez disso.
Teoria da informação, inferência e aprendizado de algoritmos de David J. C. Mackay
Disponível: na Amazon
Publicados: 2003
Contagem de páginas: 640
Sim, este livro foi lançado há quase 20 anos, mas isso não o torna menos relevante hoje. Afinal, o aprendizado de máquina não é tão jovem quanto o hype recente que ele pode sugerir. O que torna os algoritmos de teoria da informação, inferência e aprendizado de David J. C. Mackay tão atemporal é sua abordagem multidisciplinar que fornece amplas conexões entre diferentes campos. Por si só, não é muito útil porque não tem exemplos práticos suficientes, mas funciona muito bem como um livro introdutório.
Uma introdução à aprendizagem estatística: com aplicações em R por Gareth M. James, Trevor Hastie, Daniela Witten e Robert Tibshirani
Disponível: na Amazon
Publicados: 2013
Contagem de páginas: 440
Você pode pensar em uma introdução ao aprendizado estatístico como uma alternativa mais acessível aos elementos da aprendizagem estatística, que requer conhecimento avançado de estatística matemática. Para terminar este livro, você deve estar perfeitamente bem com um diploma de bacharel em matemática ou estatística. Em suas 440 páginas, os autores fornecem uma visão geral do campo de aprendizado estatístico e apresentam importantes técnicas de modelagem e previsão, completas com suas aplicações.
O livro de aprendizado de máquina de cem páginas de Andriy Burkov
Disponível: na Amazon
Publicados: 2019
Contagem de páginas: 160
Enquanto a maioria dos livros listados neste artigo está mais próxima de mil páginas, este livro fino, que começou como um desafio no LinkedIn, explica muito em apenas cem páginas ou mais. Uma das razões pelas quais o livro de aprendizado de máquina de centenas de páginas se tornou um sucesso instantâneo é a sua linguagem simples, que é uma partida bem-vinda de trabalhos acadêmicos rígidos. Recomendamos este livro a engenheiros de software que acreditam que podem utilizar ferramentas disponíveis de aprendizado de máquina, mas não sabem por onde começar. Dito isto, o livro pode ser apreciado por qualquer pessoa com interesse em aprendizado de máquina porque enfatiza os conceitos sobre o código.
Introdução ao aprendizado de máquina com Python: um guia para cientistas de dados por Andreas C. Müller e Sarah Guido
Disponível: na Amazon
Publicados: 2016
Contagem de páginas: 400
Se você é fluente em python e gostaria de começar com o aprendizado de máquina, construindo soluções práticas para problemas reais, este é o livro certo para você. Não, você não aprenderá muita teoria, mas todos os conceitos fundamentais estão bem cobertos, e existem muitos outros livros que cobrem o resto. Para aproveitar ao máximo a introdução ao aprendizado de máquina com o Python, você deve ter pelo menos alguma familiaridade com as bibliotecas Numpy e Matplotlib.
Modelagem preditiva aplicada por Max Kuhn e Kjell Johnson
Disponível: na Amazon
Publicados: 1ª ed. 2013, Corr. 2ª impressão 2018
Contagem de páginas: 613
Este livro fornece uma introdução aos modelos preditivos, que usam dados e estatísticas para prever resultados com modelos de dados. Começa com o processamento de dados e continua com as técnicas modernas de regressão e classificação, sempre enfatizando problemas de dados reais. Você pode implementar facilmente todos os modelos explicados no livro graças ao código R fornecido, que mostra exatamente o que você precisa fazer para acabar com uma solução de trabalho.
Aprendizagem profunda com Python por François Chollet
Disponível: na Amazon
Publicados: 2017
Contagem de páginas: 384
Você já pode estar familiarizado com o autor deste livro de aprendizado de máquina porque ele é responsável por uma biblioteca de rede neural de código aberto chamado Keras, sem dúvida a biblioteca de aprendizado de máquina mais popular escrita em Python. Dada essas informações e o título do livro, não deve surpreender você saber que é o melhor curso de Keras Disponível. Técnicas práticas são priorizadas acima da teoria, mas isso significa apenas que você pode resolver tarefas sofisticadas de aprendizado de máquina em apenas algumas semanas.
Aprendizado de máquina por Tom M. Mitchell
Disponível: na Amazon
Publicados: 1997
Contagem de páginas: 414
Publicado em 1997, este livro apresenta todos os tipos de algoritmos de aprendizado de máquina em um idioma que todos os graduados do CS devem ser capazes de entender. Se você é o tipo de pessoa que precisa ter um amplo entendimento de um determinado tópico antes de se sentir confortável mergulhando profundamente, você vai adorar como as informações deste livro são apresentadas. Só não espere aprendizado de máquina por Tom M. Mitchell para ser um guia prático, porque não é isso que este livro deveria ser.
Construindo Aplicações de Aprendizagem de Máquinas: Passar de Ideia para Produto de Emmanuel Ameisen
Disponível: na Amazon
Publicados: 2020
Contagem de páginas: 260
Uma coisa é entender os modelos de aprendizado de máquina, e é algo que é inteiramente saber como trazê -los para a produção. Este livro relativamente esbelto de Emmanuel Ameisen explica exatamente isso, levando você a todas as etapas do processo, desde a ideia inicial até o produto implantado. Construir aplicativos alimentados por aprendizado de máquina podem ser recomendados para cientistas de dados e engenheiros de ML que dominaram a teoria, mas ainda precisam aplicá -la no setor.
Aprendizagem de reforço: uma introdução (2ª edição) por Richard S. Sutton, Andrew G. Barto
Disponível: na Amazon
Publicados: 2018
Contagem de páginas: 552
A aprendizagem de reforço é uma área de aprendizado de máquina preocupada com o treinamento de modelos de aprendizado de máquina para tomar ações em um ambiente complexo e incerto para maximizar a quantidade total de recompensa recebida. Se isso parece interessante para você, não hesite em comprar este livro porque é amplamente considerado a Bíblia do assunto. A segunda edição inclui muitas alterações importantes de estrutura e conteúdo, então obtenha -a se possível.
Aprendendo com dados por Yaser S. Abu-Mostafa, Malik Magdon-Islail, Hsuan-Tien Lin.
Disponível: na Amazon
Publicados: 2012
Contagem de páginas: 213
Aprender com dados é uma introdução curta, mas relativamente completa, ao aprendizado de máquina e suas aplicações práticas em finanças, comércio, ciência e engenharia. O livro é baseado em mais de uma década de material de ensino, que os autores destilam a uma seleção de tópicos principais que todos os interessados no assunto devem entender. É ótimo para iniciantes que não têm muito tempo para estudar a teoria do aprendizado de máquina, especialmente se lido junto com a série de palestras de Yaser no YouTube.
Redes neurais e aprendizado profundo: um livro didático de Charu C. Aggarwal
Disponível: na Amazon
Publicados: 2018
Contagem de páginas: 497
As redes neurais são uma maneira de fazer aprendizado de máquina, e este livro pode ajudá -lo a entender a teoria por trás deles. Assim como o aprendizado de máquina em geral, este livro matematicamente intenso, então não espere ir muito longe se sua matemática estiver enferrujada. Dito isto, o autor faz um ótimo trabalho ao explicar a matemática por trás de todos os exemplos e passear com o leitor através de vários cenários complexos.
Aprendizado de máquina para iniciantes absolutos: uma introdução simples em inglês (2nd Edição) de Oliver Theobald
Disponível: na Amazon
Publicados: 2017
Contagem de páginas: 157
Se você tem interesse em aprendizado de máquina, mas não se sente necessariamente à vontade para ler longos livros didáticos sobre o assunto, você pode preferir este livro para iniciantes, que fornece uma introdução prática e de alto nível à linguagem da máquina usando inglês simples. No final deste livro, você saberá como prever os valores da casa usando seu primeiro modelo de aprendizado de máquina criado em Python.
Aprendizagem profunda generativa: Máquinas de ensino para pintar, escrever, compor e brincar de David Foster
Disponível: na Amazon
Publicados: 2019
Contagem de páginas: 330
Muito foi escrito e disse sobre redes adversárias generativas (GANS), um dos tópicos mais quentes do campo do aprendizado de máquina hoje. Se você quiser entender como eles e outros modelos generativos de aprendizado profundo funcionam sob o capô, este livro de David Foster é um ótimo ponto de partida, desde que você tenha experiência de codificação no Python.