Basierend auf diesem Beitrag möchte ich Elemente des statistischen Lernens verdauen. Zum Glück ist es kostenlos erhältlich und ich habe angefangen, es zu lesen.
Ich habe nicht genug Wissen, um es zu verstehen. Können Sie ein Buch empfehlen, das eine bessere Einführung in die Themen des Buches bietet? Hoffentlich etwas, das mir das nötige Wissen gibt, um es zu verstehen?
Verbunden:
Ist ein ausgeprägter mathematischer Hintergrund eine Grundvoraussetzung für ML?
machine-learning
references
unbekannt
quelle
quelle
Antworten:
Ich habe gekauft, aber noch nicht gelesen,
Die Bewertungen sind jedoch positiv und geben an, dass es für Anfänger besser geeignet ist als andere ML-Bücher mit größerer Tiefe. Das Blättern durch die Seiten scheint mir gut zu sein, weil ich wenig mathematischen Hintergrund habe.
quelle
Die Autoren von Elements of Statistical Learning haben ein neues Buch herausgebracht (August 2013), das sich an Benutzer ohne großen mathematischen Hintergrund richtet. Eine Einführung in das statistische Lernen: mit Anwendungen in R
Die kostenlose PDF-Version dieses Buches finden Sie derzeit hier .
quelle
Ich fand, dass das Programmieren von Collective Intelligence für Anfänger das einfachste Buch ist, da der Autor Toby Segaran sich darauf konzentriert, es dem mittleren Softwareentwickler zu ermöglichen, sich mit Datenhacken so schnell wie möglich die Hände schmutzig zu machen.
Typisches Kapitel: Das Datenproblem wird klar beschrieben, gefolgt von einer groben Erläuterung der Funktionsweise des Algorithmus, und schließlich wird gezeigt, wie Sie mit nur wenigen Codezeilen einige Erkenntnisse gewinnen.
Die Verwendung von Python ermöglicht es einem, alles ziemlich schnell zu verstehen (Sie müssen Python nicht ernsthaft kennen, ich wusste es vorher auch nicht). Denken Sie nicht, dass dieses Buch sich nur auf die Erstellung eines Empfehlungssystems konzentriert. Es behandelt auch Text Mining / Spam-Filterung / -Optimierung / -Clustering / -Validierung usw. und gibt Ihnen somit einen ordentlichen Überblick über die grundlegenden Tools jedes Data Miners.
Kapitel 10 befasst sich sogar mit Börsendaten, der Schwerpunkt liegt jedoch nicht auf dem Data Mining von Zeitreihen. Vielleicht der einzige Nachteil (für Sie) dieses ausgezeichneten Buches.
quelle
Die Einführung in das maschinelle Lernen von E. Alpaydin (MIT Press, 2010, 2. Aufl.) Behandelt viele Themen mit schönen Illustrationen (ähnlich wie Bishops Mustererkennung und maschinelles Lernen ).
Darüber hinaus hat Andrew W. Moore einige nette Tutorials zu Statistical Data Mining .
quelle
Vielleicht wäre Wassermans All of Statistics von Interesse. Sie können das Buch über den angegebenen Link probieren - und nur die ersten Absätze des Vorworts machen einen harten Verkauf auf Ihrem Markt möglich - und Sie können das Buch wahrscheinlich kostenlos über Springer herunterladen, wenn Sie mit einer Universität verbunden sind.
EDIT: Hoppla, habe nicht bemerkt, wie alt dieser Thread war.
quelle
Die Elemente des statistischen Lernens könnten eine schwierige Lektüre sein, insbesondere für Selbstlernende. Bei der Suche nach Erklärungen zum zweiten Kapitel bin ich auf die folgende Ressource gestoßen: https://waxworksmath.com/Authors/G_M/Hastie/WriteUp/Weatherwax_Epstein_Hastie_Solution_Manual.pdf . Es enthält über 100 Seiten mit Anmerkungen und Erklärungen, die einige komplizierte Momente des Buches verdeutlichen. Eine großartige Ressource für alle, die dieses Buch lesen. Dieser ergänzende Text enthält Lösungen für Übungen.
quelle
Ich kann einen ersten Kurs für maschinelles Lernen von Rogers und Girolami nur empfehlen . Es behandelt die Schlüsselideen in einer sehr logischen Reihenfolge, mit guten Beispielen und mit einem Mindestmaß an Mathematik, um eine ordnungsgemäße Verankerung in den Grundlagen zu haben. Es hat nicht die Breite einiger Bücher, aber genau deshalb ist es so gut wie ein Einführungstext.
quelle
Ein weiteres Buch, das sehr interessant ist, ist Bayesian Reasoning and Machine Learning von David Barber. Das Buch kann kostenlos von der Website des Autors heruntergeladen werden: http://www.cs.ucl.ac.uk/staff/d.barber/brml/
quelle