Машинное обучение: 8 важных книг для начинающих и продвинутых разработчиков

Собрали для вас подборку книг, которые позволят погрузиться в мир искусственного интеллекта и машинного обучения. В этой области без Python или R почти никуда, поэтому подобрали книги с практической частью на этих языках. Но не только. Пытались удовлетворить как потребности новичков, так и опытных разработчиков. 

Для новичков

«Deep Learning» Ian Goodfellow, Yoshua Bengio, Aaron Courville

Эту книгу многие специалисты рекомендуют, как отличный старт для изучения темы ИИ и глубинного обучения. Даже Илон Маск высказался об этом издании: «Написанная тремя экспертами в этой области, «Deep Learning» является единственной исчерпывающей книгой по этой теме» .

Книга дает знания, охватывающие соответствующие концепции линейной алгебры, теории вероятности и информации, вычислений и машинного обучения. Авторы описывают методы глубокого обучения, используемые практиками, включая глубокие сети прямой связи, регуляризацию, алгоритмы оптимизации, сверточные нейросети, моделирование последовательности и практическую методологию. 

В книге раскрываются такие направления, как обработка природного языка, распознавание речи, компьютерное зрение, онлайновые системы рекомендаций, биоинформатика и видеоигры. 

Кроме того, в издании описываются такие теоретические темы, как модели линейных факторов, автокодеры, обучение репрезентации, структурированные вероятностные модели, методы Монте-Карло, функция распределения, приближенный логический вывод и глубокие генеративные модели.

Относительно авторов, Йен Гудфеллоу является известным ученым в области ИИ, работал директором по машинному обучению в Apple и исследователем в Google Brain. Второй автор, Йошуа Бенджио, известен тем, что получил премию ACM AM Turing Award , которую неофициально зовут Нобелевской премией в сфере вычислительной техники, именно за работу посвященную deep learning. Аарон Корвилль также является ученым в области ИИ и профессором Монреальского университета.

Интересно, что эту книгу легально и бесплатно можно прочитать онлайн на сайте .

«Deep Learning with Python» Francois Chollet

Еще одна книга, направленная больше на новичков. Но в этом издании авторы избегают значительного количества формул, пытаясь объяснить основные идеи машинного обучения через куски кода. Эти элементы сопровождаются комментариями и пояснениями, а также практическими советами. 

В процессе обучения вы усвоите сложные концепции и попрактикуетесь с приложениями в области компьютерного зрения, обработки естественного языка и генеративных моделей.

Примеры кода в книге написаны на Python с использованием фреймворка Keras. Собственно, «Deep Learning with Python» написана создателем Keras и исследователем искусственного интеллекта Google Франсуа Шоле. 

«Introduction to Machine Learning with Python» Andreas C. Müller, Sarah Guido

Ведущие исследователи в сфере ИИ Андреас Мюллер и Сара Гуидо написали еще одну книгу для начинающих (хотя и прокачанных) из нашего списка. 

С помощью этого издания у читателя есть возможность через практические задачи научиться создавать решения по машинному обучению с помощью Python и библиотеки scikit-learn. Авторы сконцентрировались именно на практике, а не на математических формулах, стоящих за ней.

Для лучшего восприятия материала следует предварительно ознакомиться с библиотеками NumPy и matplotlib.

«Building Machine Learning Systems with Python» Luis Pedro Coelho, Wilhelm Richert, Matthieu Brucher

Практическое руководство для новичков. Здесь, как и в предыдущем издании, мало формул и много практики. Культовое издательство O’Reilly обещает, что с помощью этого руководства вы сможете разработать собственную систему машинного обучения на Python и изучите основные библиотеки, необходимые для этого.

По сути, это, как и в предыдущей книге, библиотеки NumPy, Scikit-learn и Matplotlib. Кроме того, книга дает знания по базовой культуре работы с данными и много интересных практических задач.

Также благодаря этой книге вы сможете создать систему классификации, применимую к тексту, изображениям и звуку, разберетесь с современными разработками в области компьютерного зрения и научитесь использовать Amazon Web Services для проведения анализа в облаке.

Для опытных

«Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies» John D. Kelleher, Brian Mac Namee, Aoife D’Arcy

Для освоения этой книги следует иметь определенную основу в аналитике. 

Техническая и математическая теория подкреплена практическими примерами применения машинного обучения в реальном мире. 

Примеры варьируются от прогнозирования и оценки рисков до классификации документов и прогнозирования поведения клиентов. Второе издание также включает в себя новые разделы об обучении без учителя и с подкреплением.

Интересно, что авторами выступили преподаватели Дублинского университета (Келлегер и Мак Нами) и CEO и соучредитель компании Krisolis, специализирующейся на аналитике данных.

«Machine Learning for Hackers» Drew Conway, John Myles White

Книга с грифом на обложке должна подойти тем, кто хорошо разбирается в программировании, но у него хромает математика.

Авторы подходит к изучению машинного обучения посредством написания реальных приложений, таких как создание системы рекомендаций «На кого подписаться» на основе данных из Twitter или спам-фильтра в электронной почте. И да, немного побыть хакером и сломать буквенный шифр тоже придется.

В данной книге все примеры написаны уже не на Python, а на языке программирования R. каждая глава посвящена определенной проблеме машинного обучения, включая классификацию, прогнозирование, оптимизацию и другие рекомендации.

«Machine Learning for Financial Risk Management with Python» Abdullah Karasan

В книге описывается создание высокоточных финансовых моделей с помощью машинного обучения. Главная аудитория издания — люди, которые разбираются в финансовом секторе, но умеют и в Python. 

С помощью книги можно изучить моделирование волатильности для измерения степени риска с помощью опорной векторной регрессии, нейронных сетей и глубокого обучения, разобраться, как улучшить модели рыночного риска (VaR и ES) с использованием методов ML и научиться использовать модели машинного обучения для выявления мошенничества. И еще много полезных штук именно для применения ИИ в финансовой сфере. 

Автор книги — старший консультант по науке о данных и руководитель академического отдела в компании Magnimind.

«Data Science at the Command Line» Jeroen Janssens

Достаточная доля задач в Data Science может быть решена без применения Python, R и работы с базами данных. Старые технологии типа sed и awk могут быть еще полезны.

Поэтому эта книга именно о том, как с помощью консоли более эффективно решать задачи Data Science.

Автор книги Джероин Янсенс (Senior Machine Learning Engineer в Xomnia) рассмотрел около сотни инструментов командной строки, применяемых для очистки данных, анализа, визуализации и моделирования. Основной упор он сделал не на инструментах, а на использовании их в конвейерах. 

С помощью книги вы узнаете, как, используя связи инструментов, находить простые решения для сложных проблем. И не важно, работаете ли вы с Python или R.