Meilleurs manuels d'apprentissage automatique dans le top 10top 10
Il n'est donc pas surprenant que tant de gens envisagent d'entrer dans le monde fascinant des algorithmes informatiques qui s'améliorent automatiquement grâce à l'expérience. Si vous êtes parmi eux, ou si vous voulez simplement regarder au-delà du battage médiatique et comprendre ce que l'apprentissage automatique est vraiment une sélection des 20 meilleurs manuels d'apprentissage automatique peut vous aider à atteindre vos objectifs.
Intelligence artificielle: une approche moderne (4e édition) de Peter Norvig et Stuart J. Russell
Disponible: sur Amazon
Publié: 2020
Nombre de pages: 1136
Décider quel manuel d'apprentissage automatique à commencer n'a pas été difficile parce que l'intelligence artificielle: une approche moderne est recommandée aux étudiants par des universités du monde entier. Maintenant dans son 4e Édition, le livre fait un travail fantastique pour introduire le domaine de l'intelligence artificielle (l'apprentissage automatique est un sous-ensemble de l'IA) aux débutants, et il couvre également un large éventail de sujets de recherche connexes, offrant des références utiles pour une étude plus approfondie. Selon ses auteurs, ce grand manuel devrait prendre environ deux semestres à couvrir, alors ne vous attendez pas à ce que ce soit une lecture rapide.
Reconnaissance des modèles et apprentissage automatique par Christopher M. Évêque
Disponible: sur Amazon
Publié: 2011
Nombre de pages: 738
Vous pouvez penser à la reconnaissance des modèles et à l'apprentissage automatique par Christopher M. Bishop en tant qu'évêque (au moins en ce qui concerne les manuels d'apprentissage automatique). Le manuel comprend plus de 400 exercices classés en fonction de leur difficulté, et beaucoup plus de matériel supplémentaire est disponible sur son site Web. Ne vous attendez pas à savoir comment appliquer la théorie que le manuel enseigne lorsque vous atteignez sa dernière page - il y a d'autres livres pour cela.
Apprentissage en profondeur par Goodfellow et. Al
Disponible: sur Amazon
Publié: 2016
Nombre de pages: 800
Si vous deviez demander à Elon Musk de vous recommander un livre sur l'apprentissage automatique, c'est celui qu'il recommanderait. Il dit une fois que l'apprentissage en profondeur est le seul livre complet sur ce sujet. Le livre couvre tout, du contexte mathématique et conceptuel aux techniques d'apprentissage en profondeur de pointe et aux dernières perspectives de recherche. Nous vous recommandons d'obtenir la version électronique parce que l'apprentissage en profondeur est tristement célèbre pour sa mauvaise qualité d'impression.
Les éléments de l'apprentissage statistique: exploration de données, inférence et prédiction, deuxième édition par Hastie, Tibshirani et Friedman
Disponible: sur Amazon
Publié: 2016
Nombre de pages: 767
Ne laissez pas le titre de ce manuel vous intimider. Si vous voulez vraiment comprendre l'apprentissage automatique et l'appliquer pour résoudre des problèmes difficiles, vous devez vous habituer à lire des manuels qui ne semblent pas très accessibles. Même si le manuel adopte une approche statistique de manière décisive, vous n'avez pas besoin d'être un statisticien pour le lire car il met l'accent sur les concepts plutôt que les mathématiques.
Apprentissage automatique avec Scikit-Learn, Keras et TensorFlow: concepts, outils et techniques pour construire des systèmes intelligents (2nd Édition) par Aurélien Géron
Disponible: sur Amazon
Publié: 2019
Nombre de pages: 856
Scikit-Learn, Keras et Tensorflow sont trois bibliothèques d'apprentissage automatique populaires, et ce manuel se concentre sur la façon dont ils peuvent être utilisés pour créer des programmes d'apprentissage automatique qui résolvent des problèmes réels. Grâce à la nature des débutants de ces bibliothèques, des connaissances théoriques minimales sont nécessaires pour lire ce manuel, ce qui le rend idéal pour ceux qui souhaitent acquérir une compréhension intuitive de l'apprentissage automatique en créant quelque chose d'utile.
Comprendre l'apprentissage automatique: de la théorie aux algorithmes de Shai Shalev-Shwartz et Shai Ben-David
Disponible: sur Amazon
Publié: 2014
Nombre de pages: 410
De nombreux manuels sur l'apprentissage automatique sont difficiles à passer parce que leurs auteurs ne peuvent pas se mettre à la place de quelqu'un de nouveau sur le terrain, mais pas celui-ci. Comprendre l'apprentissage automatique commence par une introduction claire à l'apprentissage automatique statistique. Il relie ensuite les concepts théoriques aux algorithmes pratiques sans être ni trop verbeux ni trop vague. Peu importe si vous souhaitez rafraîchir vos connaissances ou vous lancer dans un voyage à vie dans l'industrie, n'hésitez pas à saisir ce manuel.
Apprentissage automatique: une perspective probabiliste de Kevin P. Murphy
Disponible: sur Amazon
Publié: 2012
Nombre de pages: 1104
Comme le titre de ce livre le suggère, cette introduction à l'apprentissage automatique repose sur des modèles probabilistes pour détecter les modèles de données et les utiliser pour faire des prédictions sur les données futures. Le livre est écrit dans un style agréable et informel et fait un grand usage des illustrations et des exemples pratiques. Les modèles qu'il décrit ont été implémentés à l'aide de la boîte à outils de modélisation probabiliste, qui est un progiciel MATLAB que vous pouvez télécharger depuis Internet. Malheureusement, la boîte à outils n'est plus prise en charge car la nouvelle version de ce livre utilisera Python à la place.
Algorithmes de théorie de l'information, d'inférence et d'apprentissage par David J. C. Mackay
Disponible: sur Amazon
Publié: 2003
Nombre de pages: 640
Oui, ce manuel a été publié il y a près de 20 ans, mais cela ne le rend pas moins pertinent aujourd'hui. Après tout, l'apprentissage automatique n'est pas aussi jeune que le battage médiatique récent autour de cela pourrait le suggérer. Ce qui fait des algorithmes de théorie de l'information, d'inférence et d'apprentissage par David J. C. Mackay donc intemporel est son approche multidisciplinaire qui fournit des connexions amples entre différents champs. En soi, il n'est pas très utile car il n'a pas assez d'exemples pratiques, mais il fonctionne très bien en tant que manuel d'introduction.
Une introduction à l'apprentissage statistique: avec des applications dans R par Gareth M. James, Trevor Hastie, Daniela Witten et Robert Tibshirani
Disponible: sur Amazon
Publié: 2013
Nombre de pages: 440
Vous pouvez considérer une introduction à l'apprentissage statistique comme une alternative plus accessible aux éléments de l'apprentissage statistique, qui nécessite une connaissance avancée des statistiques mathématiques. Pour terminer ce manuel, vous devriez être parfaitement d'accord avec un baccalauréat en mathématiques ou en statistiques. Sur ses 440 pages, les auteurs donnent un aperçu du domaine de l'apprentissage statistique et présentent des techniques de modélisation et de prédiction importantes, avec leurs applications.
Le livre d'apprentissage automatique de cent pages par Andriy Burkov
Disponible: sur Amazon
Publié: 2019
Nombre de pages: 160
Alors que la plupart des manuels répertoriés dans cet article sont plus proches de mille pages, ce livre mince, qui a commencé comme un défi sur LinkedIn, explique beaucoup sur une centaine de pages environ. L'une des raisons pour lesquelles le carnet d'apprentissage automatique de cent pages est devenu un succès instantané est son langage clair, qui est un écart bienvenu par rapport aux papiers académiques rigoureux. Nous recommandons ce livre aux ingénieurs logiciels qui croient pouvoir utiliser des outils d'apprentissage automatique disponibles mais ne savent pas par où commencer. Cela dit, le livre peut être apprécié par toute personne intéressée par l'apprentissage automatique car elle met l'accent sur les concepts sur le code.
Introduction à l'apprentissage automatique avec Python: un guide pour les scientifiques des données par Andreas C. Müller et Sarah Guido
Disponible: sur Amazon
Publié: 2016
Nombre de pages: 400
Si vous parlez couramment Python et que vous souhaitez commencer avec l'apprentissage automatique en créant des solutions pratiques à de vrais problèmes, c'est le bon livre pour vous. Non, vous n'apprendrez pas trop de théorie, mais tous les concepts fondamentaux sont bien couverts, et il existe de nombreux autres livres qui couvrent le reste. Pour tirer le meilleur parti de l'introduction à l'apprentissage automatique avec Python, vous devriez avoir au moins une certaine familiarité avec les bibliothèques Numpy et Matplotlib.
Modélisation prédictive appliquée par Max Kuhn et Kjell Johnson
Disponible: sur Amazon
Publié: 1er Ed. 2013, Corr. 2e impression 2018
Nombre de pages: 613
Ce manuel fournit une introduction aux modèles prédictifs, qui utilisent des données et des statistiques pour prédire les résultats avec des modèles de données. Il commence par le traitement des données et se poursuit avec des techniques de régression et de classification modernes, mettant toujours l'accent sur les problèmes de données réels. Vous pouvez facilement implémenter tous les modèles expliqués dans le livre grâce au code R fourni, qui montre exactement ce que vous devez faire pour vous retrouver avec une solution de travail.
Deep Learning with Python par François Chollet
Disponible: sur Amazon
Publié: 2017
Nombre de pages: 384
Vous connaissez peut-être déjà l'auteur de ce manuel d'apprentissage automatique car il est responsable d'une bibliothèque de réseaux neuronaux open source appelée Keras, sans doute la bibliothèque d'apprentissage automatique la plus populaire écrite en python. Compte tenu de ces informations et du titre du manuel, il ne devrait pas vous surprendre d'apprendre que c'est le meilleur cours intensif de Keras disponible. Les techniques pratiques sont prioritaires au-dessus de la théorie, mais cela signifie simplement que vous pouvez résoudre des tâches d'apprentissage automatique sophistiquées en quelques semaines seulement.
Apprentissage automatique par Tom M. Mitchell
Disponible: sur Amazon
Publié: 1997
Nombre de pages: 414
Publié en 1997, ce livre présente tous les types d'algorithmes d'apprentissage automatique dans une langue que tous les diplômés CS devraient pouvoir comprendre. Si vous êtes le type de personne qui a besoin d'avoir une large compréhension d'un certain sujet avant de vous sentir à l'aise de plonger profondément, vous adorerez la façon dont les informations de ce livre sont présentées. Ne vous attendez pas à l'apprentissage automatique par Tom M. Mitchell pour être un guide pratique parce que ce n'est pas ce que ce livre est censé être.
Applications alimentées par l'apprentissage automatique: passer de l'idée au produit par Emmanuel Ameisen
Disponible: sur Amazon
Publié: 2020
Nombre de pages: 260
C'est une chose de comprendre les modèles d'apprentissage automatique, et c'est autre chose pour savoir comment les mettre en production. Ce livre relativement mince d'Emmanuel Ameisen explique que cela, vous guidant à chaque étape du processus, de l'idée initiale au produit déployé. Des applications alimentées par l'apprentissage automatique peuvent être recommandées aux scientifiques des données en herbe et aux ingénieurs ML qui ont maîtrisé la théorie mais n'ont pas encore appliqué dans l'industrie.
Apprentissage par renforcement: une introduction (2e édition) par Richard S. Sutton, Andrew G. Barto
Disponible: sur Amazon
Publié: 2018
Nombre de pages: 552
L'apprentissage du renforcement est un domaine de l'apprentissage automatique concernant la formation des modèles d'apprentissage automatique pour prendre des mesures dans un environnement complexe et incertain pour maximiser la quantité totale de récompense reçue. Si cela vous semble intéressant, n'hésitez pas à acheter ce livre car il est largement considéré comme la Bible du sujet. La deuxième édition comprend de nombreux changements de structure et de contenu importants, alors obtenez-le si possible.
Apprendre des données de Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Disponible: sur Amazon
Publié: 2012
Nombre de pages: 213
L'apprentissage des données est une introduction courte mais relativement complète à l'apprentissage automatique et à ses applications pratiques en finance, commerce, science et ingénierie. Le livre est basé sur plus d'une décennie de matériel pédagogique, que les auteurs ont distillé à une sélection de sujets de base que toutes les personnes intéressées par le sujet devraient comprendre. C'est génial pour les débutants qui n'ont pas beaucoup de temps pour étudier la théorie de l'apprentissage automatique, surtout si vous lisez avec la série de conférences de Yaser sur YouTube.
Réseaux de neurones et apprentissage en profondeur: un manuel de Charu C. Aggarwal
Disponible: sur Amazon
Publié: 2018
Nombre de pages: 497
Les réseaux de neurones sont un moyen de faire l'apprentissage automatique, et ce manuel peut vous aider à comprendre la théorie derrière eux. Tout comme l'apprentissage automatique en général, ce livre mathématiquement intense, alors ne vous attendez pas à aller trop loin si vos mathématiques sont rouillées. Cela dit, l'auteur fait un excellent travail pour expliquer les mathématiques derrière tous les exemples fournis et parcourir le lecteur à travers divers scénarios complexes.
Apprentissage automatique pour les débutants absolus: une introduction en anglais simple (2nd Édition) par Oliver Theobald
Disponible: sur Amazon
Publié: 2017
Nombre de pages: 157
Si vous avez un intérêt pour l'apprentissage automatique mais que vous ne vous sentez pas nécessairement à l'aise de lire des manuels longs sur le sujet, vous préférez peut-être ce livre pour les débutants, qui fournit une introduction pratique et de haut niveau à la langue machine en utilisant l'anglais simple. À la fin de ce livre, vous saurez comment prédire les valeurs des maisons en utilisant votre premier modèle d'apprentissage automatique créé dans Python.
Generative Deep Learning: enseigner les machines à peindre, écrire, composer et jouer par David Foster
Disponible: sur Amazon
Publié: 2019
Nombre de pages: 330
Beaucoup a été écrit et dit sur les réseaux adversaires génératifs (GAN), l'un des sujets les plus chauds dans le domaine de l'apprentissage automatique aujourd'hui. Si vous voulez comprendre comment eux et d'autres modèles génératifs d'apprentissage en profondeur fonctionnent sous le capot, ce livre de David Foster est un excellent point de départ, tant que vous avez de l'expérience en codage dans Python.