ЛУЧШИЕ КНИГИ ПО МАШИННОМУ ОБУЧЕНИЮ PYTHON

Время на прочтение

Сделал подборку книг по Machine Learning для тех, кто хочет разобраться, что да как.
Добавляйте в закладки и делитесь с коллегами!

Книги по машинному обучению на русском

1. « Математические основы машинного обучения и прогнозирования» Владимир Вьюгин.

Сначала изучите азы статистической теории машинного обучения, игр с предсказаниями и прогнозирования с применением экспертной стратегии. Их основы прекрасно объясняет автор книги, доктор физико-математических наук Владимир Вьюгин. Пособие рассчитано на студентов и аспирантов и в доступной форме излагает математические основы, необходимые для дальнейшей работы с машинным обучением.

2. « Верховный алгоритм» Педро Домингос.

Книга, благодаря которой даже ничего не смыслящие в математике и статистике люди поймут, что такое алгоритмы машинного обучения и каково их применение в жизни. Профессор Педро Домингос рассказывает о пяти основных школах Machine Learning и о том, как они используют идеи из различных областей научного знания — нейробиологии, физики, статистики, биологии, — чтобы помогать людям решать сложные задачи и упрощать рутину с помощью алгоритмов.

3. « Машинное обучение» Хенрик Бринк, Джозеф Ричардс, Марк Феверолф.

Эта книга 2017 года издания доступно рассказывает о Machine Learning — для тех, кто ничего не слышал об этих технологиях. В ней нет заумной статистики, математики или углубленного и подробного объяснения, как использовать тот или иной алгоритм. Авторы с легкостью объясняют, что такое машинное обучение и как его применять в повседневной жизни. Примеры в книге приводятся на языке программирования Python, который используется в том числе и в этой сфере.

4. « Крупномасштабное машинное обучение вместе с Python» Бастиан Шарден, Лука Массарон, Альберто Боскетти.

Еще одна отличная книга для начинающих свой путь в программировании и анализе больших данных. Авторы утверждают, что благодаря ей читатель научится самостоятельно строить модели машинного обучения и развертывать крупномасштабные приложения для прогнозирования. В книге рассказывается о том, какие алгоритмы входят в семейство масштабируемых, что они из себя представляют и как с их помощью обрабатывать большие файлы. Также вы узнаете, что такое вычислительная парадигма MapReduce и как работать с машинными алгоритмами на платформах Hadoop и Spark на языке Python.

5. « Python и машинное обучение» Себастьян Рашка.

Книга для новичков, осваивающих Python и машинное обучение. Издание содержит подробные мануалы даже по таким нюансам, как установка специализированного приложения Jupyter Notebook.

В книге рассматриваются основы Machine Learning, возможности самых мощных библиотек Python для анализа данных и дается ответ на вопрос, почему этот язык — один из лидеров в Data Science.

6. « Методы обработки и распознавания изображений лиц в задачах биометрии» Георгий Кухарев, Екатерина Каменская, Юрий Матвеев, Надежда Щеголева

Несмотря на то что эта книга рассчитана на начинающих и знакомит с основными принципами искусственного интеллекта — в частности, технологии распознавания лиц, — для полного понимания терминологии и комфортного погружения в чтение все же требуется некоторый бэкграунд. В ней рассматриваются такие вопросы биометрии, как методы анализа изображений лиц, получение исходных данных из реальных сцен, структуры систем распознавания и другие. Примеры в монографии приводятся на языке машинного обучения MATLAB. Если техническими фоновыми знаниями вы не обладаете, но книгу прочитать все же хочется — незнакомые термины можно гуглить, этого вполне достаточно, чтобы не испытывать при чтении никакого дискомфорта.

7. « Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных» Петер Флах.

Это цветное издание с иллюстрациями также предназначено для новичков и рассматривает широкие вопросы машинного обучения. По мере погружения читателя в тему автор раскрывает все больше деталей, но книга не слишком сложна для восприятия: вся новая терминология объясняется, а статистические и логические модели описываются понятным неподготовленному читателю языком.

8. « Обучение с подкреплением» Ричард С. Саттон, Эндрю Г. Барто.

Обучение с подкреплением — это одно из направлений искусственного интеллекта. Кратко и в самом общем виде его суть можно изложить так: машина учится действовать в окружающей среде, нарабатывая интуитивный опыт, а затем наблюдает свои результаты. В книге исчерпывающе излагается концепция обучения с подкреплением — от основополагающих идей до современных достижений в этой сфере.

Книги по машинному обучению на английском

Все книги рассчитаны на новичков без опыта работы с технологиями искусственного интеллекта либо специалистов с небольшим техническим бэкграундом. Цель большинства — познакомить с основными принципами, концепциями, идеями и некоторыми алгоритмами машинного обучения.

9. « Bayesian Reasoning and Machine Learning» David Barber.

Книга Дэвида Барбера написана для студентов и выпускников с минимальными знаниями алгебры и математического анализа — то есть отлично подходит для начала изучения машинного обучения. Как видно по названию, она сосредоточена вокруг байесовского статистического вывода. Книга позволяет развить аналитические навыки и найти новые способы решения проблем в работе с алгоритмами машинного обучения. Каждая глава сопровождается примерами, практическими и теоретическими заданиями.

10. « Introduction to Machine Learning» Nils J. Nilsson

О чем

Эта книга — не учебное пособие, сборник практических задач или теоретических изысканий. Это своеобразный «мостик» от теории к практике машинного обучения. С ее помощью читатель может подготовиться к дальнейшему изучению темы Machine Learning и науки о данных.

11. « The Elements of Statistical Learning. Data Mining, Inference and Prediction» Trevor Hastie, Robert Tibshirani, Jerome Friedman.

В этом пособии концептуально описываются идеи науки о данных, то есть без сложных математических формул и понятий. В ней множество иллюстративных примеров, которые еще больше раскрывают суть написанного. Охват книги широк: от контролируемого обучения (прогнозирования) до обучения без учителя. Рассматриваемые темы включают нейронные сети, методы опорных векторов, деревья классификации и бустинг. Авторы книги — преподающие профессора, создатели учебных пособий и инструментов интеллектуального анализа данных.

12. « Machine Learning, Neural and Statistical Classification» D. Michie, D. J. Spiegelhalter, C. C. Taylor.

В этом издании обзорно излагаются основные современные подходы к проблемам классификации: машинное обучение, статистика и нейронные сети. Авторы сравнили эффективность методов по различным показателям и сделали выводы о том, для решения каких коммерческих и промышленных задач каждый из них больше подходит.

13. « Make Your Own Neural Network» Tariq Rashid.

Преимущество книги — невысокие требования к фоновым математическим знаниям читателя. Даже со школьным курсом в голове вы сможете ее прочесть, понять, освоить основные концепции и научиться программировать собственные алгоритмы распознавания изображений на Python. Все математические идеи в основе устройства нейронных сетей поданы под соусом из большого количества иллюстраций и примеров, что упрощает восприятие.

14. « Artificial Intelligence: A Modern Approach» Stuart Russell, Peter Norvig.

Учебное пособие для студентов первого курса. Его часто используют в роли введения в Data Science во множестве обучающих университетских программ. Если вам интересно проектирование нейросетей именно для создания искусственного интеллекта, рекомендуем ее как первую книгу на эту тему.

15. « Learning From Data» Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.

Книга носит подзаголовок «A short course» и кратко знакомит читателя с основами машинного обучения. Если вы только начали вникать, что происходит в мире Data Science, и прочли несколько статей в интернете, то это идеальный вариант, чтобы разобраться в предмете чуть глубже.

Большая подборка материалов по машинному обучению

Материалы по машинному обучению: проверенные книги, онлайн-курсы, видеолекции, репозитории, вопросы с собеседований, тренировочные задачи.

Подборка полезных книг для программистов любого уровня

7 книг для начинающего специалиста по анализу данных

МЕРОПРИЯТИЯ

Книга, как раньше, так и сейчас, — основной источник знаний. Во всяком случае, один из основных. И читать книги нужно специалисту любого профиля и уровня. Сегодня публикуем относительно небольшую подборку книг для специалистов по машинному обучению. Как всегда, просьба: если у вас есть собственные предпочтения по книгам в этой отрасли, расскажите о них в комментариях.

«Python. Большая книга примеров»

Действительно большая книга примеров, автор не обманывает. Сам Марченко — преподаватель в МГУ, а в книге есть не только основы языка на доступных примерах, но и база для подготовки к собеседованию на Junior Python Developer. Конечно, основы — это хорошо, но к ним нужны ещё и определённые знания и опыт.

Благо автор рассказывает и о том, и о другом. Есть большое количество самых разных примеров, включая код для создания анимированной диаграммы на Matplotlib:

И это только один из примеров. На самом деле их гораздо больше, поданы они в очень понятной форме, проблем с этим быть не должно.

Машинное обучение доступным языком

Относительно небольшое руководство для новичков в машинном обучении. Автор раскрывает базовые понятия, концепции, рассказывает об инструментах и приводит примеры кода. Каждая глава — новый рассказ о том, как разрабатывать модели на базе различных данных.

При этом автор приводит собственные случаи, которые встречались ей на протяжении карьеры. Банковскую отрасль автор взяла потому, что там машинное обучение сейчас используется очень активно.

Много примеров кода с поясняющими комментариями. Также автор показывает разницу в эффективности работы моделей на базе глубокого обучения и классического машинного. Например, приводится работа дерева решений, причём с кодом и примерами.

tr = tree. DecisionTreeClassifier(max_depth=3, random_state=25)
tr.fit(X_train, y_train)

В общем, если вы ещё не читали эту книгу, обязательно почитайте, возможно, всё это пригодится для ваших собственных проектов.

Машинное обучение без лишних слов

Автор этой книги основной акцент делает на анализе алгоритмов машинного обучения. Книга написана лаконично, так что ничего лишнего там нет — и в издании всего 100 страниц. Также автор разбирает разные примеры, код при этом есть на GitHub, так что по мере чтения можно открывать репо автора и работать с примерами.

Вот скриншот его GitHub для понимания того, какие темы раскрываются:

Он подробно останавливается на некоторых темах, включая, например, виды регрессии и подбор функций для них.

А ещё Бурков помогает читателю понять, когда именно стоит применять машинное обучение, а когда можно обойтись без него. Вот некоторые примеры условий, когда применять его стоит:

Python и машинное обучение

Автор раскрывает методы и технологии, применяемые при решении самых разных задач. Это может быть распознавание лиц, объектов или работа с динамикой цен на товары за определённое время. Рашка показывает, как выстраивается весь процесс построения модели — от получения первичных данных до машинного обучения.

Кроме того, подробно раскрываются некоторые нюансы работы и инструменты. Это, к примеру, ML-библиотека scikit-learn и некоторые другие. Для понимания некоторых частей книги какой-то опыт в машинном обучении уже должен быть, но минимальный. Так что книгу также можно рекомендовать начинающему специалисту.

Машинное обучение с использованием Python. Сборник рецептов

В книге содержится сразу 200 рецептов решения многих задач машинного обучения. Автор приводит решения, используя векторы, матрицы и массивы, линейную и логистическую регрессию, деревья, леса и k ближайших соседей, кластеризацию и нейронные сети. Если описать всё содержимое, то это будет отдельная статья, так что лучше ознакомиться самостоятельно. Среди преимуществ книги можно выделить следующее: автор раскрывает неочевидные приёмы работы, о которых не все знают, а также приводит примеры решения частых проблем ML и DS.

Книга чуть сложнее, чем все предыдущие, так что совсем новичок в машинном обучении может и не разобраться. Но специалисту с хотя бы базовым опытом и знаниями издание можно рекомендовать.

A Gentle Introduction to Supervised Learning

Отличная книга для начинающих — это новинка 2022 года. Пока что есть версия лишь на английском языке, поэтому если вы его не знаете на уровне, достаточном для чтения технической литературы, придётся немного подождать, когда книгу переведут.

А так в издании есть всё, что может понадобиться начинающему специалисту. Автор, к примеру, разбирает сложные концепции и алгоритмы на простых примерах. Дополнительно есть открытый репозиторий, содержащий примеры кода Python. Также отдельный акцент делается на подготовке и моделировании данных.

На сегодня, к сожалению, всё. Если у вас есть собственные любимые книги, пишите о них в комментариях — обсудим!

При всём многообразии литературы по программированию и IT есть темы, где найти книги для новичков очень сложно. Одна из таких тем ー искусственный интеллект, в нашем случае ー машинное обучение. Подавляющее большинство книг требует от читателя знаний Python, теории математического анализа и статистики, хотя бы базового умения создавать алгоритмы для обработки массивов данных.

В этом материале мы решили восполнить пробел и собрать лучшие книги по машинному обучению на русском языке — те, которые может прочитать и понять даже человек, лишь косвенно связанный с программированием и большими данными.

Книги по машинному обучению на русском языке

Так как большинство разработок в сфере сегодня ведётся на языке Python, то в первую очередь следует штурмовать именно его. В нашем контексте новичкам лучше всего подойдёт вот эта книга по machine learning, поскольку акцент в ней сделан на теоретическую часть обработки данных, а библиотеки и операции в Python ー лишь прикладная иллюстрация. Всё в соответствии с названием.

«Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных», Петер Флах

Если вы ищете базовый учебник по машинному обучению в принципе, обратите внимание на эту книгу. В ней вы не найдёте ответы на все свои вопросы, но зато узнаете, где их искать. По сути, перед нами теоретический справочник, охватывающий всё многообразие машинного обучения, сдобренный ссылками на полезную литературу по каждой теме. Примеры кода на каком-либо языке отсутствуют — но в этом и нет необходимости, учитывая уровень материала.

«Машинное обучение без лишних слов», Андрей Бурков

Автор поставил перед собой цель в ста страницах описать все основные алгоритмы и принципы машинного обучения. Утопическая задача вылилась в одну из лучших книг по machine learning, с множеством восторженных отзывов как со стороны рядовых покупателей, так и известных людей IT-отрасли. И пусть в русском переводе толщина выросла вдвое – насыщенность информацией от этого не пострадала.

«Python и машинное обучение», Себастьян Рашка

Эта книга уже требует от читателя хотя бы элементарных навыков работы с Python, необходимых, чтобы шагнуть на новую ступень знаний в machine learning. Здесь рассматриваются профильные библиотеки языка по машинному обучению, в частности scikit-learn, Keras, Theano. Перечень задач широкий: обработка простых баз данных, анализ текста и визуальной информации, нейронные сети и многое другое. У книги есть два издания, но для вводной части не важно, какое именно попадётся вам в руки.

«Идеи машинного обучения», Шалев-Шварц Шай, Бен-Давид Шай

«Идеи машинного обучения» ставит перед собой цель донести до читателя фундаментальные принципы машинного обучения и основные применяемые в отрасли алгоритмы. Этому посвящена значительная вступительная часть, но затрагиваются и более сложные вопросы, например стохастический градиентный спуск, нейронные сети и структурированный ввод, PAC-байесовский подход, границы сжатия и многое другое.

«Машинное обучение и TensorFlow», Шакла Нишант

TensorFlow ー одна из базовых библиотек машинного обучения, поэтому, если у вас есть хотя бы незначительные познания в Python и желание развиваться в этом направлении, данная книга обязательно поможет. Здесь приведено очень много кода для базовых задач ML и в этом плане книга качественно отличается от аналогичных изданий по машинному обучению. Незначительный минус заключается как раз в том, что использовать книгу для погружения в тему сложно ー необходимо под рукой иметь компьютер.

«Грокаем глубокое обучение», Эндрю Траск

Эта книга посвящена машинному обучению с использованием нейронных сетей, на примере библиотеки NumPy языка Python. Рассчитана она на аудиторию с базовыми представлениями о программировании и искусственном интеллекте, но при этом наполнена большим числом теории и практики. Всё растолковано буквально на пальцах, так что новичкам строго рекомендуется.

Книги по machine learning на английском языке

Если английский язык вас не отпугивает или параллельно с машинным обучением вы хотите увеличить свой словарный запас, то мы подготовили ещё один полезный список.

A Plain English Introduction, Oliver Theobald

Наверняка однажды эту книгу переведут на русский язык, но пока можете оценить её лишь на английском. Это не шедевр печатного программирования, но для тех, у кого нет вообще никакого понимания, что такое машинное обучение, она подойдёт идеально. Здесь разъясняются базовые принципы очень простым языком (иногда даже слишком), а навыки программирования не требуются. Вообще.

Machine Learning For Dummies, John Paul Mueller, Luca Massaron

Machine Learning In Action, Peter Harrington

Как и у многих участников этого списка, акцент здесь сделан на подаче идей машинного обучения через практические примеры на Python. Главная особенность здесь в том, что книга содержит минимум общих слов, хоть и рассчитана на любой уровень подготовки. Буквально со второй страницы начинается погружение в тему инструментов и приёмов машинного обучения, что порадует тех, кто не желает тратить лишнее время на вступительные речи.

A Technical Approach to Machine Learning for Beginners, Leonard Eddison

Оригинальность этой книги по machine learning в том, что с её помощью читатель просто учит язык Python. На первый взгляд, разницы мало, однако если знаний нет ни в МО, ни в программировании – то это именно то, что нужно. Однако помните, что это издание есть смысл дополнить какой-нибудь другой, более глубокой книгой из нашего списка.

Practical Machine Learning Tools and Techniques, Ian H. Witten, Eibe Frank, Mark A. Hall

Работа с огромными объёмами данных — это одна из наиболее частых причин,  почему сторонние специалисты начинают интересоваться машинным обучением. В этой книге есть для таких людей есть ответы на все вопросы. Как? Зачем? С чьей помощью? Насколько это долго и сложно? Можно ли обойтись без машинного обучения? Если вам тоже требуется погружение в принципы обработки данных с использованием искусственного интеллекта, а английский язык не смущает — тогда это та книга по machine learning вам точно не помешает.

Как видите, представленные в этом списке издания охватывают разные подходы к изложению материала и обучению, имеют разный формат подачи материала. А это значит, что каждый сможет найти что-то себе по душе и кошельку.

А чтобы гарантированно получить системные знания в области машинного обучения с самого нуля, можно поступить на факультет искусственного интеллекта GeekBrains. Здесь от вашего внимания точно не ускользнёт ничего существенного.

Интересуетесь нейросетями и машинным обучением? Собрали подборку из 15 книг по глубинному обучению, которые помогут освоить эти технологии.

Ловите свежую подборку книг Deep Learning, которая поможет свернуть горы!

Гудфеллоу Я., Бенджио И., Курвилль А. − Глубокое обучение, 2017 г.

Эта книга считается «Библией», одной из лучших книг по глубинному обучению. Несмотря на то, что она написана техническим языком, её сможет осилить и технологический новичок.

Внутри рассказывается о математических и концептуальных основах, линейной алгебре, теории вероятностей и теории информации, численных вычислениях и машинном обучении. Она описывает методы глубокого обучения, используемые практиками в отрасли. Сюда входят сети с прямой связью, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и практическая методология. Кроме того, вы узнаете об обработке естественного языка, распознавании речи, компьютерном зрении, системе онлайн-рекомендаций, биоинформатике и видеоиграх.

Франсуа Шолле − Глубокое обучение на Python, 2018 г.

Это учебник по моделям глубокого обучения с использованием языка Python и мощной библиотеки Keras. Написанная создателем Keras и исследователем Google AI Франсуа Шолле, эта книга укрепит понимание технологии через объяснения и практические примеры. Вы исследуете сложные концепции и попрактикуетесь с приложениями в области компьютерного зрения, обработки естественного языка и генеративных моделей. К тому времени, как вы закончите, у вас будут знания и практические навыки для применения глубокого обучения в ваших собственных проектах.

Орельен Жерон − Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, 2018 г.

Эта книга предполагает, что вы почти ничего не знаете о машинном обучении. Её цель − дать вам концепции, знания и инструменты для реализации программ, способных учиться на данных. Здесь рассматривается большое количество методов. Например, линейная регрессия или олимпиадные способы решения задач.

Вместо того, чтобы реализовывать собственные игрушечные версии каждого алгоритма, авторы используют существующие готовые к работе платформы Python вроде Scikit-Learn и TensorFlow.

Ричард Саттон, Эндрю Барто − Обучение с подкреплением, 2017 г.

Ричард Саттон и Эндрю Барто дают ясное и простое описание ключевых идей и алгоритмов обучения с подкреплением. Оно основано на том, что агент пытается максимизировать получаемый выигрыш, действуя в сложной среде с высоким уровнем неопределенности. Предназначена для специалистов в области искусственного интеллекта, нейросетевого моделирования и управления, а также студентов и аспирантов.

Ясер Абу-Мостафа, Малик Магдон-Исмаил, Сюань-Тянь Линь − Learning From Data, 2012 г.

Следующий материал в подборке книг по глубинному обучению распространяется вместе со специально подготовленными онлайн-материалами. Здесь вы найдете введение в машинное обучение, что позволяет вычислительным системам улучшать свою производительность с помощью накопленного опыта. Это короткий курс, поэтому ждите качественно структурированной информации Здесь основные темы, которые должен знать каждый. Важно, что читателям также доступны электронные, регулярно обновляемые главы книги.

Адриан Роузброк − Deep Learning for Computer Vision with Python, 2017 г.

Эта книга не только для начинающих. Специалисты разного уровня с помощью этой книги смогут создавать обычное программное обеспечение, обрабатывать естественные языки, рисовать графики, производить сложные математические вычисления, составлять фото-роботы, а также создавать программы компьютерного зрения с помощью глубокого обучения.

Это руководство познакомит вас с основами компьютерного зрения, библиотеками и лучшими практиками.

Эндрю Траск − Grokking Deep Learning

Книга научит вас строить нейронные сети глубокого обучения с нуля. Эндрю Траск расскажет об устройстве технологии изнутри. Особенно полезна тем, кто уже знаком с математикой и программированием на среднем уровне. В процессе изучения вы узнаете о том, как учатся нейронные сети, построите сети, которые смогут распознавать и анализировать изображения, играть в видеоигры, переводить текст между языками и даже писать, как Шекспир.

Андрей Бурков − The Hundred-Page Machine Learning Book, 2019 г.

Эта книга является введением в машинное обучение от специалиста мирового уровня и суперзвезды LinkedIn Андрея Буркова. Она позволит начать работу с ML в течение нескольких дней. Достаточно первых пяти глав, а остальные понравятся практикующим инженерам, желающим использовать ML в своей повседневной работе, не тратя огромное количество времени на прохождение длинных курсов.

Максим Лапань − Deep Reinforcement Learning Hands-On, 2018 г.

Это ещё одна из популярных книг по глубинному обучению. Использование алгоритмов Google в играх, победы роботов над человеком заставили технических специалистов по всему миру начать следить за технологиями машинного обучения ещё пристальнее.

Книга является исчерпывающим руководство по самым последним инструментам deep learning. Вы будете оценивать методы, включая перекрестную энтропию, учиться применять их в реальных условиях.

А ещё вы познаете основы обучения с подкреплением, сделаете робота для торговли акциями и научитесь применять естественный язык для развития чат-ботов.

Сергей Николенко, А. Кадурин, Екатерина Архангельская − Глубокое обучение. Погружение в мир нейронных сетей, 2018 г.

Одна из немногих книг по глубинному обучению на русском. Внутри много математики, теории, основ и рассуждений, охватывающих большую часть того, что касается машинного обучения. По сути, это всеобъемлющее руководство для новичков, которые желают разобраться в вопросах работы с нейронными сетями.

Джуда Перл − The Book of Why, 2018 г.

Книга от всемирно известного ученого-компьютерщика Джуды Перл. Совместно с коллегами, он развеял стереотипы о причинно-следственной связи и объяснил, как мышление позволяет исследовать существующий и возможные миры, разобрал сущность человеческого и искусственного интеллекта. Как говорят авторы, книга нужна для того, чтобы показать ширину мышления.

Сандро Сканси − ​​Introduction to Deep Learning, 2018 г.

Краткое, лёгкое и доступное введение в машинное обучение. Преимущество этой книги перед другими в простых примерах для новичков. В ней вы найдёте популярные алгоритмы и архитектурные решения, интуитивно понятные любому начинающему разработчику. Книга охватывает важные темы: от обучения нейронных сетей, обработки языка, нейронных сетей с обратной связью, до математических предпосылок и истории искусственного интеллекта. Все примеры на языке программирования Python.

Эндрю Ын − Machine Learning Yearning, 2018 г.

Эта книга посвящена не алгоритмам машинного обучения, а тому, как заставить работать эти алгоритмы.

Чему она научит? Например, расстановке приоритетов, диагностике ошибок в системе машинного обучения, обучению систем в тестовом режиме. А ещё настройке проектов и сравнению их результатов с подобными, которые выполнены вручную человеком. Читатели узнают, когда и как применять сквозное, трансферное и многозадачное обучение.

Кристоф Молнар − Interpretable Machine Learning, 2019 г.

Книга о том, как сделать модели машинного обучения и их решения понятными.

Вы узнаете о простых, интерпретируемых моделях. Например, о деревьях решений, правилах принятия решений и линейной регрессии. Все методы интерпретации подробно объясняются: сильные и слабые стороны, техническое устройство, варианты интерпретации результатов.

Кому подходит эта книга? В первую очередь, она ориентирована на практиков машинного обучения − учёных статистиков. Но будет полезна всем, кто заинтересован в том, чтобы сделать модели машинного обучения понятными.

Майкл Нильсен − Neural Networks and Deep Learning, 2015 г.

Нейронные сети − одна из самых крутых парадигм программирования. В традиционном подходе к программированию мы разбиваем большие задачи на множество мелких и понятных. Это помогает компьютеру быстрее их выполнять. Нейронные сети учатся сами решать поступающие проблемы. По этой причине, сегодня всё больше крупных технологических компаний начинают применять технологии машинного обучения

Цель книги − помочь вам освоить основные понятия нейронных сетей, включая современные методы глубокого обучения. В процессе изучения книги, вы будете писать код, использующий нейронные сети и глубокое обучение для решения сложных задач. Таким образом, авторы рассчитывают сформировать у читателей фундаментальные навыки работы с технологией.

Машинное обучение — одно из самых популярных и востребованных направлений для питонистов. В этой статье мы собрали для вас самые новые книги по машинному обучению для начинающих и опытных специалистов.

Deep Learning with Python

Год издания: 2021

Учебное пособие для начального знакомства с глубоким обучением, но подойдет и тем, кто хочет расширить свое понимание темы.

Автор старался избегать математических формул и объяснять основные идеи машинного обучения в отрывках кода. Эти сниппеты сопровождаются комментариями, практическими советами и простыми высокоуровневыми объяснениями всего, в чем нужно разобраться новичку.

Примеры кода в книге написаны на Python и с использованием фреймворка Keras. Они показывают наилучшие подходы к применению Keras и TensorFlow 2.

Прочитав эту книгу, вы получите четкое понимание того, что такое глубокое обучение, где оно применяется и какие есть ограничения в его применении. Вы познакомитесь со стандартным процессом решения задач машинного обучения и узнаете, как справляться с распространенными проблемами. Также вы научитесь использовать Keras для решения реальных задач, от компьютерного зрения до обработки естественного языка.

Книга написана для Python-разработчиков, желающих заняться машинным и глубоким обучением.

Practical Deep Learning

Введение в машинное обучение. Прочитав эту книгу, вы узнаете, как создать хороший набор данных и как оценивать производительность обученной модели. Научитесь работать с двумя ведущими наборами инструментов для машинного обучения — scikit-learn и Keras. Познакомитесь с несколькими классическими моделями машинного обучения и узнаете, как работают и обучаются нейронные сети. Наконец, вы разберетесь, как взять набор данных и с нуля разработать успешную модель.

Предполагается, что читатель не имеет бэкграунда, связанного с машинным обучением, но отличается любопытством и имеет желание экспериментировать. Математика сведена к минимуму. Цель книги — помочь вам разобраться в основных концепциях.

При этом читатель должен быть знаком с программированием в целом и знать математику на уровне старшей школы, а также основы статистики и теории вероятности.

A Visual Approach

Тема искусственного интеллекта имеет как горячих приверженцев, собирающихся спихнуть на машины как можно больше работы, так и убежденных противников, считающих, что однажды машины нас поработят. Кто же прав? Когда ИИ стоит внедрять, а когда лучше воздержаться?

Чтобы использовать любую новую технологию осмысленно, нужно для начала ее понять. Зная, как она работает, понимая природу ее силы и ограничения, мы можем смело применять ее для своей пользы.

Эта книга поможет разобраться, что собой представляет глубокое обучение. Никаких особых познаний для понимания книги читателю не требуется.

Многие люди считают, что алгоритмы глубокого обучения сложны. На самом деле обычно они простые, а их мощь основана на миллионных итерациях по базам данных. В этой книге автор сознательно обошелся без сложной математики и даже без кода, изложив общие принципы в популярной форме.

Позже, если захотите, вы сможете применить свои знания на практике. Для этого автор предоставляет бонусные части на GitHub (там уже есть код на Python).

Machine Learning for Financial Risk Management with Python

Год издания: 2022

Книга о применении машинного обучения для создания высокоточных финансовых моделей. Читательская аудитория — люди, разбирающиеся как в финансах, так и в машинном обучении (т. е. книга даже близко не для начинающих питонистов).

TensorFlow 2 Pocket Reference

Практическое пособие по решению конкретных задач, с которыми вы скорее всего столкнетесь в работе с TensorFlow.

Предполагается, что читатели умеют использовать Python (а также библиотеки NumPy, pandas и JSON) для работы с данными и создания моделей TensorFlow.

Practical Weak Supervision

Во многих реальных проектах получение качественных размеченных данных часто занимает значительное количество времени. Слабое обучение (Weak Supervision) позволяет объединять идеи эвристики и краудсорсинга для создания наборов данных со слабой разметкой, которые можно использовать в качестве входных данных для задач машинного и глубокого обучения.

Книга предназначена для профессионалов, работающих над проектами машинного обучения. Предполагается, что читатели знают Python и знакомы с библиотеками и инструментами ML.

Data Science at the Command Line

Многие люди (да и компании) уверены, что для решения задач Data Science нужны исключительно новые технологии. Но довольно большая часть этих задач может быть решена еще до того, как к делу подключатся R, Python или базы данных. Старые добрые технологии вроде sed и awk все еще в строю, они мощные и гибкие.

Эта книга не о том, как вообще решать задачи Data Science. Она о том, как при помощи работы в консоли делать это более эффективно.

Автор рассмотрел больше 90 инструментов командной строки, применяющихся для очистки данных, анализа, визуализации и моделирования. Но основной упор он сделал не на самих инструментах, а на использовании их в конвейерах. Прочитав эту книгу, вы узнаете, как при помощи связок инструментов находить простые решения для сложных проблем.

Книга пригодится всем, кто работает с данными. Используемый вами язык программирования и операционная система не имеют значения: к вашим услугам будет образ Docker.

Data Science Bookcamp

Карьера датасаентиста предполагает постоянное решение задач, к которым не прилагается набора готовых вариантов ответа. К сожалению, умение решать задачи приобретается только путем практики, другого способа нет.

Поэтому данная книга построена на основе разбора жизненных кейсов: от анализа онлайн-объявлений до отслеживания вспышек заболеваний на основе данных из новостей. Научившись находить подходы к решению подобных проблем, вы будете лучше подготовлены к началу карьеры в сфере data science.

Книга предназначена для новичков в науке о данных. Например, она пригодится хорошему фронтендеру, который не слишком разбирается в математике, но хотел бы попробовать себя в data science.

Предполагается, что читатель знаком с синтаксисом Python (знаний начинающего самоучки будет достаточно). Также потребуется знание математики, но не страшнее тригонометрии в старшей школе.

Machine Learning Bookcamp

Введение в машинное обучение с упором на практику. Целевая аудитория — разработчики, знающие основы Python, интересующиеся машинным обучением и желающие приобрести практический опыт работы с данными.

Эту книгу отличает практичность и жизненность примеров. Вы научитесь предсказывать цену на машины, определять, не намерены ли клиенты перестать пользоваться сервисами компании, и рассчитывать риски невозврата кредита. Также вы создадите программу для классификации одежды по категориям (футболки, платья, штаны и пр.).

Каждый проект начинается с постановки задачи, которая затем решается при помощи различных инструментов и фреймворков. При этом автор говорит исключительно о вещах, важных для решения задачи. Теория затрагивается по минимуму.

Как и в любой книге по машинному обучению, здесь есть некоторое количество формул. Все они объясняются при помощи кода.

Все разделы книги содержат упражнения для практики.

Стоит отметить, что книга будет полезна и тем читателям, которые уже работают с машинным обучением. Например, им могут быть интересны главы, посвященные деплойменту.

Надеемся, наши обзоры помогут вам подобрать подходящую книгу. Приятного чтения!

В этой статье перечислены лучшие из книг по машинному обучению, которые стоят вашего внимания. Они находятся в свободном доступе.

«Mining of Massive Datasets». Jure Leskovec, Anand Rajaraman, Jeff Ullman

Основанная на курсе CS246 и CS35A в Стэнфордском университете, эта книга предназначена для студентов, изучающих информатику, и не требует предварительной подготовки. Эта книга была опубликована издательством Cambridge University Press.

«An Introduction to Statistical Learning (with applications in R)».
Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani

Эта книга содержит пролог к статистическим методам обучения наряду с несколькими лабораториями R.

«Deep Learning».
Ian Goodfellow and Yoshua Bengio and Aaron Courville

Это учебное пособие по глубокому обучению предназначено для тех, кто находится на ранних этапах машинного обучения и глубинного обучения в частности. Онлайн-версия книги доступна уже сейчас бесплатно.

«Bayesian methods for hackers».
Cam Davidson-Pilon

Эта книга знакомит вас с байесовскими методами и вероятностным программированием с вычислительной точки зрения. Книга в основном является находкой для тех, кто свободно владеет математикой.

«Understanding Machine Learning: From Theory to Algorithms». Shai Shalev-Shwartz and Shai Ben-David

Для тех, кто разбирается в математике, это одна из самых рекомендуемых книг для понимания магии, которая стоит за машинным обучением.

Scikit-Learn Tutorial: Statistical-Learning for Scientific Data Processing
Andreas Mueller

Объясняя статистическое обучение, этот учебник объясняет использование методов машинного обучения с целью статистического вывода. Учебник доступен в Интернете бесплатно.

Machine Learning (An Algorithmic Perspective) Stephen Marsland

Эта книга может многое предложить студентам инженерных и информатики, изучающим машинное обучение и искусственный интеллект. Пособие опубликовано и написано Стивеном Марслэндом, к сожалению не бесплатно. Весь код Python доступен в Интернете. Они являются отличным справочным источником для изучения Python.

Building Machine Learning Systems with Python
Willi Richert and Luis Pedro Coelho

Эта книга также недоступна бесплатно, но ради справедливости она в нашем списке. Это совершенное практическое руководство, чтобы максимально использовать возможности машинного обучения с помощью Python.

Другие статьи по теме

Хотите знать, как работает Deep Learning? Вот быстрый гайд

В статье привожу курсы и книги, которые мне кажутся наиболее оптимальными для изучения машинного обучения/data science c нуля. Стараюсь привести список, который будет наиболее кратким и одновременно даст все знания, необходимые для начала работы на практике, без серьезных пробелов в знаниях.

Disclaimer

Понять исходя из чего составлены данные рекомендации можно прочитав предыдущие статьи, в которых описаны мой путь и принципы самообучения, а также общие соображения о том, как выстраивать этапы обучения:

Рекомендации данной статьи будут устаревать, и наверняка, и сейчас существуют отличные курсы и книги, которые могли бы в него входить. Но это, как минимум, одни из лучших материалов по своим темам. Для подготовки данного списка были отброшены десятки курсов и книг, которые тоже нацелены на обучение с нуля, но хуже излагают фундаментельные концепции.

Рекомендации покрывают не все потенциально необходимые технические навыки. Чтобы составить представление обо всём, что скорее всего будет необходимо освоить — см. Изучение data science c нуля: этапы и вехи

Не привожу материалов о нейронных сетях потому что, в большинстве случаев, считаю неэффективным начинать изучение с них, или изучать их на ранних этапах самообучения.

Необходимые базовые навыки

Основа: английский на уровне чтения технической литературы. Это самоё легкое в языке, т.к. не требует от вас самим уметь формулировать мысли. И техническая литература отличается ограниченным словарём используемых терминов. После первой пары книг — остальные пойдут как по маслу.

Знание основ программирования

Невозможно заниматься машинным обучением или data science не владея программированием в Python или R (Начинать лучше с Python). Также, подавляющее большинство вакансий в «классическом» машинном обучении (решение бизнес-задач, и работа с изначально числовыми/статистическими данными) потребует знание SQL. Базовые рекомендации по их изучению есть в статье Самообучение в Data science, с нуля до Senior за два года. Продублирую:

SQL: знаю очень давно, современные курсы не проходил. Люди, которых менторил, и которые относильно быстро и глубоко в нём разобрались, использовали курсы:

Математика

Также невозможно стать хорошим специалистом без достаточного уровня математики. Но, мне кажется, эффективнее изучать математику постепенно, предварительно знакомясь с теми целями в которых она применяется.

Тем не менее, есть определенный минимально-необходимый базовый уровень: понимание производных (школьная программа алгебры), понимание градиентного спуска (градиент, обычно, объясняют в начальных курсах математического анализа в университете, и объяснение есть также в курсах о машинном обучении), знания основ дискретной математики, теории вероятностей и статистики.

Эта математика, на уровне университета, очень простым языком объяснена в англоязычной специализация Math for machine learning, от London Imperial College (coursera.org). На том же уровне, очень детально объяснено, от самых основ: Mathematics for Machine Learning and Data Science Specialization, Deeplearning.ai (coursera.org).

Если у вас проблемы с пониманием производных и пределов (школьная программа, самые продвинутые её темы), то, если понимаете английский: крайне рекомендую все курсы от Robert Ghrist. Более интуитивное и наглядное объяснение математики я вообще не встречал. На русском есть неплохие бесплатные курсы по математике есть на stepik.org. Лучшие русскоязычный курсы, на мой взгляд, были раньше на платформе coursera.org, но они были оттуда сняты в связи с введением санкций.