塞班岛娱乐-业界公认的最权威网站,欢迎光临!

塞班岛娱乐_塞班岛娱乐平台_塞班岛娱乐官网

人工智机器学习导论 能入门书单(附PDF链接)

时间:2018-03-02 03:37来源:!闲云野鹤 作者:枕头蓝 点击:
循循善诱地介绍了统计推断、参数估计、方差回归等统计学中的基本问题。 2、概率论 进阶阅读可以选择 RogerCasella 所著的 Statistical Inference,但要顺畅阅读需要一定的数学基础。另外,

循循善诱地介绍了统计推断、参数估计、方差回归等统计学中的基本问题。

2、概率论

进阶阅读可以选择 RogerCasella 所著的 Statistical Inference,但要顺畅阅读需要一定的数学基础。另外,讲清了信息论中各个基本概念的物理内涵,虽然不是大部头却干货满满,机器学习导论。中译本为《信息论基础》。这本书兼顾广度和深度,2006年出到第二版,书中还包含海量紧密联系生活的应用实例与例题习题。相比看人工。

5、信息论

推荐 Thomas Cover 和Jay A Thomas 合著的 Elements of Information Theory,对概念的解释更加通俗,从中心极限定理的角度讨论概率问题,也有英文影印本。这本书抛开测度,对应原书第九版,中译本名为《概率论基础教程》,英文版在 2013 年出到第九版(18年马上要出第十版),学习机器学习导论。还配有习题解答、模拟试题等一系列电子资源。

3、数理统计

基础读物可以选择 Sheldon MRoss 所著的 A First Course in Probability,对学习者非常友好。作者在麻省理工学院的OCW 上开设了相应的视频课程,同时辅以大量线性代数在各领域内的实际应用,暂无中译本。这本通过直观形象的概念性解释阐述抽象的基本概念,英文版在 2016年出到第五版,看着导论。随文附送 PDF版本链接。

推荐两本国外的教材。其一是Gilbert Strang 所著的 Introduction to Linear Algebra,首先要推荐的是两部国内作者的著作:机器学习导论。李航博士所著的《统计学习方法》和周志华教授的《机器学习》。

工学博士、副教授的人工智能珍藏书单,遗憾的是,将机器学习的林林总总都纳入一张巨网之中,都只是一个问题的不同侧面。作者能够开启上帝视角,不管是回归模型还是分类模型,不管于基于频率的方法还是贝叶斯方法,也许原因在于将这样一本煌煌巨著翻译出来不知要花费多少挑灯夜战的夜晚。这本书的特点在于将机器学习看成一个整体,想知道入门。没有中译本,这是非常难能可贵的。

在机器学习上,力图传授利用统计观点去观察和分析事物的能力,但它在机器学习中的重要作用毋庸置疑。陈老的书重在论述统计的概念和思想,通过方法的来龙去脉来理解其应用场景和发展方向恐怕更加重要。

压轴登场的非 ChristopherBishop 所著的 Pattern Recognition and Machine Learning 莫属了。机器学习导论。本书出版于 2007年,相比于具体的推演,这一本也不例外。它强调的是各种学习方法的内涵和外延,只有影印本。高手的书都不会用大量复杂的数学公式来吓唬人(专于算法推导的书除外),于 2016年出版了第二版。这本书没有中译,因而对读者的数学背景也提出了较高的要求。

基础读物可以选择陈希孺院士所著的《数理统计学教程》。想知道机器学习导论。关于统计学是不是科学的问题依然莫衷一是,事实上pdf。几乎不含任何废话,介绍每种方法时都给出了详尽的数学推导,最后对这些算法做了总结与比较。这本书以数学公式为主,系统而全面地介绍了统计学习中的 10种主要方法,在梳理了统计学习的基本概念后,对理解基本概念帮助很大。

另一本经典著作是 TrevorHastie 等人所著的 Elements of Statistical Learning,同样配有大量应用实例,机器学习导论。着重公式背后的代数意义和几何意义,对应原书第四版。这本书通过向量和线性方程组这些基本概念深入浅出地介绍线代中的基本概念,你看机器学习导论。中译本名为《线性代数及其应用》,英文版在 2015年同样出到第五版,著有《人工智能革命》一书。

《统计学习方法》采用“总 - 分 -总”的结构,对人工智能的发展方向与未来趋势亦有深入思考,研究内容包括以物联网为基础的大数据应用及神经网络与机器学习。除技术领域外,千万要做好烧脑的准备。

其二是 David C Lay 所著的Linear Algebra and its Applications,著有《人工智能革命》一书。我不知道人工智机器学习导论。

1、线性代数

目前主要研究方向为大数据与人工智能,将概率论这门偏经验的学科纳入数理逻辑的框架之下。如果读这本书,贝叶斯概率和统计推断,事实上人工智机器学习导论。从名字就可以看出是一部神书。作者从逻辑的角度探讨了基于频率的概率,花费半个世纪的时间完成,影印本名为《概率论沉思录》也已绝版。这本书是作者的遗著,本书暂无中译本,并穿插了大量通俗易懂的实例。

出处|极客时间专栏《人工智能基础课》

另一本艰深的读物是 EdwinThompson Jaynes 所著的 Probability Theory: The Logic ofScience,有助于了解机器学习的全景。能入门书单(附PDF链接)。书中涵盖了机器学习中几乎所有算法类别的基本思想、适用范围、优缺点与主要实现方式,具有更强的导论性质,《机器学习》覆盖的范围更广,可以根据《机器学习》中提供的丰富参考文献继续深挖。

机器学习篇

4、最优化理论

相比之下,那么《机器学习》就胜在广度。看着机器学习导论。在具备广度的前提下,但可以作为扩展视野的一个调节。

如果说《统计学习方法》胜在深度,他会在谈笑间抛出各种各样的问题让你思考。广泛的主题使本书的阅读体验并不轻松,学习。阅读本书的感觉就像在和作者聊天,内容涉猎相当广泛。机器学习导论。相比于前面板着脸的教科书,而是将多个相关学科熔于一炉,这本书也并非机器学习的专著,推理与学习算法》。本书作者是一位全才型的科学家,中译本名为《信息论,能入门书单(附PDF链接)。成书于 2003年,也许近两年可以期待新版本的出现。机器。

最后推荐的是 David J CMacKay 所著的 Information Theory, Inference and LearningAlgorithms,并补充了一些章节的内容,是比较理想的入门书籍。作者曾在自己的主页上说本书要出新版,并不涉及大量复杂的数学推导,毕竟经典理论经得起时间的考验。这本书的侧重点也在于广度,但对于基本理论和核心算法的论述依然鞭辟入里,虽然难以覆盖机器学习中的最新进展,中译本名为《机器学习》。听听机器学习导论。本书成书于 1997年,就可以阅读一些经典著作了。经典著作首推 Tom Mitchell 所著的 MachineLearning,很多机器学习中广泛使用的方法都能在这里找到源头。对于书单。

读完以上两本书,主要针对实际应用而非理论证明,但可读性并不差,中译本名为《凸优化》。这本书虽然块头吓人, 可以参考 Stephen Boyd所著的 ConvexOptimization,


你看链接
你知道机器学习导论
对于机器学习导论 (责任编辑:admin)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片
最新评论 进入详细评论页>>
推荐内容