(A2A) Antes de dar mi lista de libros de aprendizaje automático para un aspirante, asumiré que tiene una sólida formación matemática (cálculo, álgebra lineal, optimización, etc.), así como una base sólida en estadística y probabilidad.
Si no, entonces echa un vistazo
- ¿Cómo aprendo matemáticas para el aprendizaje automático?
- Buenos libros sobre probabilidades “avanzadas”
- Recomendaciones avanzadas de libros de estadísticas.
También asumiré que existen habilidades de codificación para R, Matlab, Python, Java, Scala o lo que quieras.
Para esta pregunta en particular, Muktabh Mayank ha proporcionado una buena lista, al igual que mucha gente en estas respuestas.
- ¿Qué experiencias te acreditan por enseñarte a pensar de una manera inspirada?
- En los EE. UU., El 67% está por debajo del nivel de competencia en matemáticas en el 8º grado. ¿Por qué crees que los niños no retienen el trabajo de clase o no les gusta aprender matemáticas?
- ¿Es mejor aprender varias cosas simultáneamente o en una fila?
- ¿Cómo uso el tiempo libre en una oficina de TI?
- ¿Cuál es la mejor, más rápida y económica manera de aprender ingeniería eléctrica en el Reino Unido?
- ¿Cómo aprendo el aprendizaje automático?
- ¿Cómo puedo convertirme en un científico de datos?
Por lo tanto, a riesgo de superponerme con otras respuestas, resaltaré algunos de los libros generales de aprendizaje automático que me parecen bien escritos y claros, con especial relevancia para un aspirante:
- Aprendizaje de máquina: Tom Mitchell
- Aprendiendo de los datos: Yaser S. Abu-Mostafa
- Elementos del aprendizaje estadístico: Hastie, Tibshirani, Friedman
- Reconocimiento de patrones y aprendizaje automático: Christopher Bishop
Sin embargo, hay un componente “depende”, ya que el aprendizaje automático es un campo amplio, y un aspirante puede querer enfocarse en un área en particular o profundizar en los aspectos fundamentales, por lo que se debe considerar un subconjunto de estos libros:
- Redes neuronales para el reconocimiento de patrones: Christopher M. Bishop
- Herrería Neural: Aprendizaje Supervisado en Redes Neuronales Artificiales de Feedforward: Russell Reed, Robert J Marks II
- Modelos gráficos probabilísticos: Principios y técnicas: Daphne Koller, Nir Friedman
- Impulso: Fundamentos y algoritmos: Robert E. Schapire, Yoav Freund
- Clasificación y árboles de regresión: Leo Breiman, Jerome Friedman, Charles J. Stone, RA Olshen
- Métodos de conjunto: Fundamentos y algoritmos: Zhi-Hua Zhou
- Introducción a la recuperación de información: Christopher D. Manning, Prabhakar Raghavan y Hinrich Schütze
Para un libro que debería ser bueno (divulgación: conozco al autor), pero que solo he echado un vistazo, podrías considerar Aprendizaje automático en Python: Técnicas esenciales para el análisis predictivo: Michael Bowles