หนังสือคณิตศาสตร์ขั้นต้นสำหรับการเรียนรู้ของเครื่อง

ฉันเป็นวิศวกรวิทยาการคอมพิวเตอร์ที่ไม่มีพื้นฐานด้านสถิติหรือคณิตศาสตร์ขั้นสูง

ฉันเรียนหนังสือหลามเครื่องเรียนรู้โดย Raschka และ Mirjalili แต่เมื่อฉันพยายามที่จะเข้าใจคณิตศาสตร์ของการเรียนรู้ของเครื่องผมไม่สามารถที่จะเข้าใจหนังสือดีที่เพื่อนแนะนำผมองค์ประกอบของการเรียนรู้ทางสถิติ

คุณรู้สถิติและหนังสือคณิตศาสตร์สำหรับการเรียนรู้ของเครื่องได้ง่ายขึ้นไหม? หากคุณไม่ฉันจะย้ายได้อย่างไร

ถึงแม้ว่าคุณต้องการหนังสือฉันขอแนะนำหลักสูตรต่อไปนี้ตามลำดับสำหรับการทำความเข้าใจสถิติที่ใช้สำหรับการเรียนรู้ของเครื่องและงานอื่น ๆ ในศาสตร์ข้อมูล พวกเขามีอิสระ

• เรียนรู้สถิติ - แนะนำหลักสูตรสถิติ
• แนะนำสถิติเชิงพรรณนา
• สถิติเชิงอนุมาน: เรียนรู้การวิเคราะห์ทางสถิติ

ถ้าผมต้องการที่จะแนะนำหนังสือที่ผมจะแนะนำหนังสือเล่มต่อไปนี้ซึ่งเป็นอิสระภายใต้ใบอนุญาต CC มันมีตัวอย่างที่ดีและมีประโยชน์มากมาย นอกจากนี้ยังมีรหัสจำนวนมากที่ช่วยให้คุณรู้สึกถึงสถิติในตัวอย่างในโลกแห่งความเป็นจริง

• คิดว่า Python โดย Allen B. Downey

• คู่มือวิทยาศาสตร์ข้อมูล Python

ลิงค์ต่อไปนี้อาจช่วย:

• จาก Google ตัวเองดีและรัดกุม

รู้เบื้องต้นเกี่ยวกับพีชคณิตเชิงเส้นhttps://math.mit.edu/~gs/linearalgebra/เป็นจุดเริ่มต้นที่ดี ตรวจสอบให้แน่ใจว่าคุณเก่งเรื่องทฤษฎีความน่าจะเป็นพีชคณิตเชิงเส้นและสถิติ ความรู้ในเชิงลึกอาจไม่จำเป็น แต่จำเป็นต้องมีความรู้ที่ดี

ก่อนที่จะทำปริญญาโทใน Analytics ฉันได้รับคำแนะนำจากรุ่นพี่ให้อ่านหนังสือสองสามเล่มนี้เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องและสถิติ

กล่าวคือ:

1. การค้นหาสถิติด้วย SPSS / R - Andy Field
2. R Beginner และ R สำหรับทุกคน
3. Predictive Analytics - พลังแห่งการทำนายว่าใครจะคลิกซื้อโกหกหรือตาย
4. วิทยาศาสตร์ข้อมูลสำหรับธุรกิจและอีกมากมาย

หากคุณไม่สามารถหาหนังสือเหล่านี้ทางออนไลน์ได้โปรดแจ้งให้เราทราบว่าจะแชร์ลิงก์ฉันมีหนังสือเล่มนั้นอยู่ในไดรฟ์ หนังสือเหล่านี้ช่วยฉันในการทำความเข้าใจพื้นฐานของสถิติด้วยตัวอย่างที่อธิบายไว้ในเงื่อนไขของคนธรรมดา

หากคุณกำลังมองหาหลักสูตรออนไลน์ให้ฉันรู้ว่าสามารถแนะนำหลักสูตรที่ดีให้คุณได้ (ส่วนใหญ่เป็นหลักสูตรฟรี)

ฉันไม่สามารถบอกได้จากคำถามของคุณว่าคุณเก่งแค่ไหนในวิชาคณิตศาสตร์หรือที่การเรียนรู้ของคุณหยุดลง ฉันจะถือว่าคุณเป็นวิศวกรซอฟต์แวร์คอมพิวเตอร์ที่คุณคุ้นเคยกับพีชคณิตเรขาคณิตและแคลคูลัส

ฉันขอแนะนำให้คุณเริ่มต้นการเรียนรู้โดยอ่านข้อมูลเกี่ยวกับสถิติและแนวคิดการทำความเข้าใจเช่นการบรรยายการวิเคราะห์ข้อมูลเชิงสำรวจความสัมพันธ์การแจกแจงและอื่น ๆ ฉันเห็นว่าคุณชอบหนังสือมากกว่าวิดีโอดังนั้นฉันจะพบคุณครึ่งทางและให้หนังสือสองสามเล่มที่ออนไลน์รวมถึงหนังสือหนึ่งหรือสองเล่มที่คุณสามารถซื้อเป็นสิ่งพิมพ์ได้

ครั้งแรกผมอยากแนะนำหลักสูตรรัฐเพนน์จบการศึกษาออนไลน์ในสถิติ คุณสามารถสำรวจแต่ละหลักสูตรโดยใช้เมนูทางด้านซ้าย เมื่อคุณเลือกหลักสูตรให้เลื่อนลงบนหน้าเว็บของหลักสูตรแล้วคลิกลิงก์ที่อ่าน "บันทึกหลักสูตรออนไลน์" บันทึกหลักสูตรสำหรับหลักสูตรเหล่านี้เป็นมากกว่าบันทึกย่อและอ่านเหมือนหนังสือเต็มเล่ม พวกเขามีคำแนะนำมาก นอกจากนี้ให้ตรวจสอบหลักสูตรหลักสูตรระดับปริญญาตรีออนไลน์ของ Penn State ด้วยสถิติเช่นกันในกรณีที่คุณพบบางสิ่งบางอย่างในหลักสูตรบัณฑิตศึกษาที่สูงเกินไปและต้องการคำอธิบายที่ "ง่ายกว่า"

ขั้นที่สองทบทวนคู่มือสถิติทางชีวภาพโดย John H. McDonald อย่าปล่อยให้ชื่อหลอกคุณ หนังสือเล่มนี้เป็นข้อมูลเบื้องต้นที่ยอดเยี่ยมเกี่ยวกับสถิติและการวิเคราะห์ข้อมูลที่ใช้กับโดเมนใด ๆ

ประการที่สามทบทวนคู่มือเล็ก ๆ ของสถิติโดย Gerard Dallal อย่าปล่อยให้ชื่อหลอกคุณ หนังสือเล่มนี้เป็นอีกหนึ่งอัญมณีที่นำคุณเข้าสู่พื้นฐานทางสถิติที่สำคัญ

ประการที่สี่ตรวจสอบหนังสือThink Statsของ Allen Downey มีรุ่นออนไลน์ฟรีของรุ่นก่อนหน้า; รุ่นล่าสุดที่คุณจะต้องซื้อ มันคุ้มค่าแม้ว่าโดยเฉพาะถ้าคุณทำงานใน Python ในหนังสือเล่มนี้ผู้เขียนสอนสถิติและการวิเคราะห์ข้อมูลโดยใช้ Python เพื่อวิเคราะห์ชุดข้อมูลในโลกแห่งความเป็นจริง หนังสือเล่มนี้เป็นหนังสือที่ยอดเยี่ยมมากในการทำงาน

สุดท้ายตรวจสอบData Science จาก Scratchโดย Joel Grus หนังสือเล่มนี้ให้ความสำคัญกับการวิเคราะห์ข้อมูล (แทนที่จะเป็นพื้นฐานทางสถิติ) และให้ความสำคัญกับการเรียนรู้และการสร้างแบบจำลองด้วยเครื่อง มันใช้ Python (และ Python data science stack) เพื่อนำคุณไปสู่การวิเคราะห์และดำเนินการวิเคราะห์เชิงทำนายในชุดข้อมูลโลกแห่งความเป็นจริง (ของเล่น) อีกหนึ่งหนังสือที่ยอดเยี่ยมที่จะทำงานผ่าน

โปรดทราบว่าในขณะที่ฉันมีผู้เชี่ยวชาญด้านสถิติประยุกต์ฉันจะให้คำตอบง่ายๆกับคุณ: ใช้หลักสูตรเกี่ยวกับความน่าจะเป็น

กรอบการเขียนโปรแกรม ML สมัยใหม่ส่วนใหญ่ใช้คณิตศาสตร์เป็นส่วนใหญ่ในศาสตร์ข้อมูล คุณไม่จำเป็นต้องใช้มันในสถานการณ์ส่วนใหญ่ แต่คุณจะต้องมีความสามารถในการเข้าใจผลลัพธ์ของคุณและผลลัพธ์ส่วนใหญ่จะแสดงในความน่าจะเป็น ถ้าฉันยังใหม่กับวิทยาศาสตร์ข้อมูลฉันจะใช้หลักสูตร (สั้น ๆ ) เกี่ยวกับความน่าจะเป็นพยายามที่จะเข้าใจว่าสัดส่วนและเปอร์เซ็นต์จริง ๆ แล้วฉันจะทำงานเพื่อรู้กรอบ (เช่น Tensorflow) ดีจริงๆ ถ้าคุณทำได้คุณสามารถเขียนอัลกอริธึมที่น่าสนใจและไม่ต้องคิดมากเกี่ยวกับคณิตศาสตร์