Топ лучших бесплатных книг по машинному обучению:
The Elements of Statistical Learning: Data Mining, Inference, and Prediction. В этой книге авторы попытались объединить много важных новых идей, связанных со статистическим обучением. Хотя в книге не хватает математических деталей, авторы неплохо объясняют именно основы концептов. Книга пригодится не только специалистам по статистике, но и людям, работающим в смежных областях.
Introduction To Machine Learning. Цель этой книги — введение в индуктивное логическое программирование, раздел науки на стыке машинного обучения и логического программирования. Книга будет полезна тем, кто изучает принципы работы с базами данных, дата-инжиниринг, ИИ, машинное обучение и логическое программирование.
Reinforcement Learning: An Introduction. Обучение с подкреплением — это один из способов машинного обучения, в ходе которого испытуемая система взаимодействует с некоторой средой и стремится получить максимальную награду за свои действия. В этой книге разбираются ключевые аспекты этого вида обучения, его история и сферы применения. Порогом вхождения в эту книгу является лишь базовый уровень знания принципов вероятностной модели.
Information Theory, Inference, and Learning Algorithms. В этой книге рассказывается о теории информации и о статистическом выводе. Эти темы лежат в основе таких областей современной науки, как коммуникация, теория обработки сигналов, data mining, машинное обучение, биоинформатика, криптография и многих других. Авторы удачно сочетают теоретические объяснения с практическими примерами и заданиями.
Gaussian Processes for Machine Learning. Эта книга посвящена гауссовским процессам и вопросу обучения с учителем. В книге приведено много алгоритмов, также разбираются сферы применения ГП в машинном обучении и статистике, например, в методе опорных векторов, нейронных сетях, сплайнах и прочем.
Bayesian Reasoning and Machine Learning. Эта книга пригодится студентам старших курсов с небольшим багажом знаний по линейной алгебре и матанализу. Материал в книге идёт от простого к сложному, используются графические модели.
A Course in Machine Learning. В этой книге приведен набор вводных материалов по большинству основных аспектов машинного обучения (обучение с учителем и без учителя, вероятностное моделирование, теория обучения и т.д.).
Machine Learning, Neural and Statistical Classification. Цель этой книги — рассказать о современных подходах к классификации. Они сравниваются по производительности и областям применения в реальных случаях. Как видно из названия, таких подходов три: статистический метод, метод машинного обучения и метод нейронных сетей.
Introduction To Machine Learning. В этой книге рассматриваются многие важные вопросы машинного обучения с 2006 года. Это и не учебник, и не задачник: цель книги — подготовить читателя к дальнейшему освоению этой темы.
Добавлено через 6 минут Для тех, кто хочет на русском языке почитать:
Петер Флах Машинное обучение
Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R
Себастьян Рашка Python и машинное обучение
Хенрик Бринк, Джозеф Ричардс Машинное обучение
Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных
К. В. Воронцов. Математические методы обучения по прецедентам (теория обучения машин)
Мерков А.Б. Введение в методы статистического обучения
Аркадий Гелиг, Алексей Матвеев Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие
Мерков А.Б. Построение и обучение вероятностных моделей
Ричарт В., Коэльо П.Л. Построение систем машинного обучения на языке Python
Вьюгин В. Математические основы машинного обучения и прогнозирования
Червоненкис А.Я. Теория обучения машин
Ричард С. Саттон, Эндрю Г. Барто Обучение с подкреплением
Андреас Мюллер, Сара Гвидо Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными
Дэви Силен, Арно Мейсман Основы Data Science и Big Data. Python и наука о данных
Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций
В. И. Донской Алгоритмические модели обучения классификации:обоснование, сравнение, выбор
Местецкий Л.М. Математические методы распознавания образов Курс лекций
Кристофер Д. Маннинг, Прабхакар Рагхаван Введение в информационный поиск
Юре Лесковец, Ананд Раджараман Анализ больших наборов данных источник, оглавление и отрывки из глав
Шлезингер М.И. Десять лекций по статистическому и структурному распознаванию образов
Добавлено через 6 минут Для тех, кто хочет на русском языке посмотреть:
Высшая школа экономики «Введение в машинное обучение» источник Coursera
Специализация Машинное обучение и анализ данных включающая себя 6 курсов : источник Coursera
Видеолекции курса «Машинное обучение» от Школы анализа данных Яндекса источник на яндексе или источник на ютубе
Специализация Анализ Данных от Stepik (часть курсов из этой специализации отображена тут)
Курс от Stepik Нейронные сети источник
Видеолекциии (13шт.) Введение в анализ данных источник Mail.ru
Видеолекциии (1 семестр) Data Minig источник Mail.ru
Видеолекциии (2 семестр) Data Minig источник Mail.ru
Computer Science Center Машинное обучение, часть 1 (осень 2016) источник ютуб
Computer Science Center Машинное обучение, часть 2 (весна 2017) источник ютуб
Data Mining in Action 10 лекций по ML источник ютуб
Компьютерные науки Тренировки Machine Learning источник ютуб здесь люди делятся своим реальным опытом в ML
Высшая школа экономики, курс Линейная алгебра источник Coursera
Лекториум Линейная алгебра и аналитическая геометрия источник ютуб
МФТИ, курс Теория вероятностей для начинающих источник Coursera
МФТИ, курс Математика для всех источник Coursera
Курс от Stepik Основы статистики часть1,часть2, часть3
Курс от Stepik Математическая статистика источник
Курс от Stepik Введение в дискретную математику источник
Курс от Stepik Ликбез по дискретной математике источник
Курс от Stepik Введение в математический анализ источник
Курс от Stepik Математический анализ часть1, часть2
Курс от Stepik Анализ данных в R часть1, часть2
Computer Science Center Анализ данных на R в примерах и задачах (весна 2016) источник ютуб
Computer Science Center Анализ данных на R в примерах и задачах, часть 2 (весна 2017) источник ютуб
Канал на ютубе Основы анализа данных источник
KhanAcademyRussian Теор. вероятн-ей и комбинаторика источник ютуб
Алгебра (133видео) источник KhanAcademyRussian
Добавлено через 3 минуты Прежде чем заниматься конкретно машинным обучением, рекомендую всё же ознакомится с книгами
Стюарт Рассел, Питер Норвиг Искусственный интеллект. Современный подход источник
Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы решения сложных проблем источник
таким образом у вас сформируется более четкое понимание предметной области машинного обучения и сильно расширит ваш кругозор. Нейронные сети занимают важную позицию в машинном обучении, поэтому стоит ознакомится с книгой
Саймон Хайкин Нейронные сети. Полный курс источник
Так же вы должны уметь производить предварительный анализ данных, что бы понять, какие методы машинного обучения можно применить к вашему набору данных или как его лучше подготовить, в этом вам помогут следующие книги:
Борис Миркин Введение в анализ данных. Учебник и практикум источник
Марина Архипова, Татьяна Дуброва Анализ данных. Учебник источник
Загоруйко Н.Г. Прикладные методы анализа данных и знаний источник
Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия источник
Рубан А.И. Методы анализа данных
Уэс Маккинни Python и анализ данных источник (практика)
Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R источник (практика)
Вы должны знать хорошо математику (в особенности линейную алгебру), статистику, теорию вероятностей, дискретную математику. Я например неважно знаю математику и мне очень тяжело читать стандартные учебники, рассчитанные на то, что преподаватель сможет разжевать скупое описание формулы, поэтому для легкого порога вхождения рекомендую следующие книги (от основ и выше):
Стивен Х. Строгац Удовольствие от x. Увлекательная экскурсия в мир математики от одного из лучших преподавателей в мире источник
Юрий Шиханович Введение в современную математику. Начальные понятия источник
Рональд Л. Грэхем, Дональд Эрвин Кнут Конкретная математика. Математические основы информатики источник
Юрий Пухначев Математика без формул книга1, книга2
Риxард Курант, Герберт Роббинс Что такое математика? источник
Тарасов Л.В. Азбука математического анализа. Беседы об основных понятиях. Учебное пособие источник
Потом уже можно браться за стандартный учебник математического анализа
Фихтенгольц Г.М. Основы математического анализа. источник (это один из немногих классических учебников, где например хорошо разжевано понятие производной, поверьте, я многих сравнивал).
Статистика, теория вероятностей:
Гнеденко Б.В., Хинчин А.Я. Элементарное введение в теорию вероятностей источник
Сара Бослаф Статистика для всех источник
Чарльз Уилан Голая статистика. Самая интересная книга о самой скучной науке источник