เครื่องเรียนรู้ตำราอาหาร / บัตรอ้างอิง / สูตรชีท?

ฉันค้นหาทรัพยากรเช่นตำราความน่าจะเป็นและสถิติและบัตรอ้างอิง R สำหรับการขุดข้อมูลมีประโยชน์อย่างเหลือเชื่อ เห็นได้ชัดว่าพวกเขาทำหน้าที่เป็นข้อมูลอ้างอิง แต่ยังช่วยฉันในการจัดระเบียบความคิดของฉันในเรื่องและได้รับการวางของแผ่นดิน

ถาม: มีสิ่งใดเช่นทรัพยากรเหล่านี้สำหรับวิธีการเรียนรู้ของเครื่องหรือไม่?

ฉันจินตนาการบัตรอ้างอิงซึ่งสำหรับวิธีการ ML แต่ละอันจะรวมถึง:

• คุณสมบัติทั่วไป
• เมื่อวิธีการทำงานได้ดี
• เมื่อวิธีการทำไม่ดี
• จากวิธีการใดหรือวิธีอื่นใดที่วิธีการทั่วไป มันถูกแทนที่ส่วนใหญ่?
• เอกสารเชื้อเกี่ยวกับวิธีการ
• ปัญหาเปิดที่เกี่ยวข้องกับวิธีการ
• ความเข้มในการคำนวณ

ทุกสิ่งเหล่านี้สามารถพบได้ด้วยการขุดน้อยที่สุดผ่านตำราเรียนฉันแน่ใจ มันจะสะดวกจริง ๆ มีไว้ในไม่กี่หน้า

แหล่งข้อมูลที่ดีที่สุดและพร้อมใช้งานบางอย่างได้แก่ :

• Hastie, Friedman และคณะ องค์ประกอบของการเรียนรู้ทางสถิติ: การทำเหมืองข้อมูลการอนุมานและการทำนาย
• เดวิดตัดผม การใช้เหตุผลแบบเบย์และการเรียนรู้ของเครื่อง
• David MacKay ทฤษฎีข้อมูลการอนุมานและการเรียนรู้อัลกอริทึม (http://www.inference.phy.cam.ac.uk/mackay/itila/)

ตามคำถามของผู้เขียนฉันไม่พบโซลูชัน "ทั้งหมดในหน้าเดียว"

หากคุณต้องการที่จะเรียนรู้การเรียนรู้เครื่องผมขอแนะนำให้คุณลงทะเบียนเรียนในหลักสูตร ML ออนไลน์ฟรีในช่วงฤดูหนาวสอนโดยศาสตราจารย์แอนดรูอึ้ง

ฉันทำสิ่งก่อนหน้านี้ในฤดูใบไม้ร่วงและวัสดุการเรียนรู้ทั้งหมดนั้นมีคุณภาพยอดเยี่ยมและมุ่งเน้นไปที่การใช้งานจริงและง่ายขึ้นมากที่จะอ่านหนังสือเล่มเดียว

มันทำมาจากผลไม้ที่ค่อนข้างต่ำพร้อมคำอธิบายที่ใช้งานง่ายและคณิตศาสตร์ขั้นต่ำ

ใช่คุณสบายดี "การจดจำรูปแบบและการเรียนรู้ของเครื่อง" ของ Christopher Bishop เป็นหนังสือที่ยอดเยี่ยมสำหรับการอ้างอิงทั่วไปคุณไม่สามารถผิดพลาดได้

หนังสือเล่มล่าสุดอย่างเป็นธรรม แต่ยังดีมากเขียนและกว้างเท่า ๆ กันคือ "เดวิดตัดผมเหตุผลเบส์และการเรียนรู้เครื่อง "; หนังสือที่ฉันรู้สึกว่าเหมาะสมกว่าสำหรับผู้มาใหม่ในสาขานี้เล็กน้อย

ฉันใช้ "องค์ประกอบของการเรียนรู้เชิงสถิติ" จาก Hastie และคณะ (กล่าวถึงมาโคร) และในขณะที่หนังสือที่แข็งแกร่งมากฉันไม่แนะนำให้ใช้เป็นข้อมูลอ้างอิงแรก บางทีมันอาจจะให้บริการคุณดีขึ้นเป็นข้อมูลอ้างอิงที่สองสำหรับหัวข้อพิเศษเพิ่มเติม ในแง่มุมนั้นหนังสือของ David MacKay, ทฤษฎีข้อมูล, การอนุมานและอัลกอริทึมการเรียนรู้สามารถทำงานได้อย่างยอดเยี่ยม

เนื่องจากฉันทามติดูเหมือนว่าคำถามนี้จะไม่ซ้ำกันฉันต้องการแบ่งปันรายการโปรดของฉันสำหรับผู้เริ่มต้นใช้งานเครื่อง:

ฉันพบว่าProgramming Collective Intelligenceเป็นหนังสือที่ง่ายที่สุดสำหรับผู้เริ่มต้นเนื่องจากผู้เขียนToby Segaranมุ่งเน้นไปที่การอนุญาตให้ผู้พัฒนาซอฟต์แวร์มีเดียยอมให้มือของเขา / เธอสกปรกด้วยการแฮ็คข้อมูลโดยเร็วที่สุด

บททั่วไป: ปัญหาข้อมูลได้รับการอธิบายอย่างชัดเจนแล้วตามด้วยคำอธิบายคร่าวๆเกี่ยวกับวิธีการทำงานของอัลกอริทึมและในที่สุดก็แสดงวิธีสร้างข้อมูลเชิงลึกด้วยรหัสเพียงไม่กี่บรรทัด

การใช้งานของหลามช่วยให้คนหนึ่งเข้าใจทุกอย่างค่อนข้างเร็ว (คุณไม่จำเป็นต้องรู้ว่าหลามอย่างจริงจังฉันไม่เคยรู้จักมาก่อนเช่นกัน) อย่าคิดว่าหนังสือเล่มนี้มุ่งเน้นไปที่การสร้างระบบผู้แนะนำเท่านั้น นอกจากนี้ยังเกี่ยวกับการทำเหมืองข้อความ / การกรองสแปม / การเพิ่มประสิทธิภาพ / การจัดกลุ่ม / การตรวจสอบความถูกต้องเป็นต้นซึ่งจะช่วยให้คุณเห็นภาพรวมที่ประณีตกว่าเครื่องมือพื้นฐานของเครื่องมือขุดข้อมูลทุกตัว

Witten and Frank "Data Mining", Elsevier 2005 เป็นหนังสือที่ดีสำหรับการเรียนรู้ด้วยตนเองเนื่องจากมีห้องสมุด Java ของรหัส (Weka) ที่จะไปกับหนังสือเล่มนี้และมุ่งเน้นในทางปฏิบัติ ฉันสงสัยว่าจะมีฉบับที่ใหม่กว่าฉบับที่ฉันมี

ฉันมีการเรียนรู้ของเครื่อง: มุมมองอัลกอริทึมโดย Stephen Marsland และพบว่ามีประโยชน์มากสำหรับการเรียนรู้ด้วยตนเอง รหัสหลามจะได้รับตลอดทั้งเล่ม

ฉันเห็นด้วยกับสิ่งที่กล่าวในการตรวจสอบที่ดีนี้:

http://blog.rtwilson.com/review-machine-learning-an-algorithmic-perspective-by-stephen-marsland/

"องค์ประกอบของการเรียนรู้ทางสถิติ" จะเป็นหนังสือที่ดีสำหรับวัตถุประสงค์ของคุณ หนังสือเล่มที่ 5 ซึ่งตีพิมพ์เมื่อต้นปี 2554 สามารถอ่านได้ที่http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

• http://scikit-learn.org/stable/tutorial/machine_learning_map/

บ่อยครั้งที่ส่วนที่ยากที่สุดในการแก้ปัญหาการเรียนรู้ด้วยเครื่องสามารถหาตัวประมาณที่เหมาะสมสำหรับงานได้ ตัวประมาณที่แตกต่างกันนั้นเหมาะสมกว่าสำหรับข้อมูลประเภทต่างๆและปัญหาที่แตกต่างกัน ผังงานด้านล่างนี้ได้รับการออกแบบมาเพื่อให้ผู้ใช้ทราบแนวทางคร่าวๆเกี่ยวกับวิธีการแก้ไขปัญหาเกี่ยวกับตัวประมาณที่จะลองใช้ข้อมูลของคุณ คลิกที่ตัวประมาณค่าใด ๆ ในแผนภูมิด้านล่างเพื่อดูเอกสารประกอบ

น่ากลัวเครื่องเรียนรู้พื้นที่เก็บข้อมูลน่าจะเป็นรายการหลักของทรัพยากรรวมทั้งรหัสบทเรียนและหนังสือ

หนังสือส่วนใหญ่ที่กล่าวถึงในคำตอบอื่น ๆ นั้นดีมากและคุณจะไม่ผิดกับหนังสือเล่มใดเลย นอกจากนี้ฉันพบว่าแผ่นโกงต่อไปนี้สำหรับ Python scikit-learnค่อนข้างมีประโยชน์

ฉันชอบ Duda, Hart และนกกระสา "การจำแนกรูปแบบ" นี่คือการแก้ไขข้อความคลาสสิกเมื่อเร็ว ๆ นี้ซึ่งอธิบายทุกอย่างได้ดีมาก ไม่แน่ใจว่าได้รับการอัปเดตเพื่อให้ครอบคลุมเครือข่ายประสาทและ SVM มาก หนังสือโดย Hastie, Tibshirani และ Friedman เป็นหนังสือที่ดีที่สุด แต่อาจมีเทคนิคมากกว่าสิ่งที่คุณกำลังมองหาและมีรายละเอียดมากกว่าภาพรวมของหัวเรื่อง

Microsoft Azure ยังมีเอกสารที่คล้ายกันกับ scikit- เรียนรู้หนึ่งโพสต์โดย Anton Tarasenko

(ที่มา: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet )

พวกเขามาพร้อมกับประกาศ:

คำแนะนำที่นำเสนอในแผ่นงานโกงอัลกอริทึมนี้เป็นกฎโดยประมาณของนิ้วหัวแม่มือ บางคนอาจงอและบางคนอาจถูกละเมิดอย่างชัดแจ้ง นี่คือจุดประสงค์เพื่อแนะนำจุดเริ่มต้น ( ... )

Microsoft ให้บทความเพิ่มเติมเบื้องต้นซึ่งให้รายละเอียดเพิ่มเติม

โปรดสังเกตว่าวัสดุเหล่านั้นมุ่งเน้นไปที่วิธีการนำไปใช้ใน Microsoft Azure

อย่าเริ่มต้นด้วยองค์ประกอบของการเรียนรู้ทางสถิติ มันยอดเยี่ยม แต่เป็นหนังสืออ้างอิงที่ไม่เหมือนสิ่งที่คุณกำลังมองหา ฉันจะเริ่มต้นด้วย Programming Collective Intelligence เพราะมันอ่านง่าย

สำหรับหนังสือเล่มแรกเกี่ยวกับการเรียนรู้ของเครื่องซึ่งทำได้ดีในการอธิบายหลักการฉันขอแนะนำอย่างยิ่ง

Rogers and Girolami หลักสูตรแรกในการเรียนรู้ของเครื่อง (Chapman & Hall / CRC Machine Learning & การจดจำรูปแบบ), 2011

หนังสือของ Chris Bishop หรือทั้งคู่ของ David Barber เลือกได้ดีสำหรับหนังสือที่มีความกว้างมากกว่าเดิมเมื่อคุณเข้าใจหลักการได้ดี

ฉันเขียนบทสรุปเช่นนั้น แต่มีเพียงหนึ่งงานการเรียนรู้ของเครื่อง (Netflix Prize) เท่านั้นและมันมี 195 หน้า: http://arek-paterek.com/book

ตรวจสอบการเชื่อมโยงนี้เนื้อเรื่องฟรี ebooks บางอย่างเกี่ยวกับการเรียนรู้เครื่อง: http://designimag.com/best-free-machine-learning-ebooks/ มันอาจมีประโยชน์สำหรับคุณ

cheatsheet ดีเป็นหนึ่งในหนังสือแม็กซ์ Kuhn การสร้างแบบจำลองทำนายสมัครแล้ว ในหนังสือมีตารางสรุปที่ดีของโมเดลการเรียนรู้ ML หลายแบบ ตารางอยู่ในภาคผนวก A หน้า 549