Libro de cocina de aprendizaje automático / tarjeta de referencia / hoja de trucos?

Encuentro recursos como el Probability and Statistics Cookbook y The R Reference Card for Data Mining increíblemente útiles. Obviamente, sirven como referencias, pero también me ayudan a organizar mis pensamientos sobre un tema y comprender el terreno.

P: ¿Existe algo así como estos recursos para los métodos de aprendizaje automático?

Me imagino una tarjeta de referencia que para cada método ML incluiría:

• Propiedades generales
• Cuando el método funciona bien
• Cuando el método funciona mal
• Desde cuál o hacia qué otros métodos se generaliza el método. ¿Ha sido mayormente reemplazado?
• Documentos seminales sobre el método
• Problemas abiertos asociados con el método
• Intensidad computacional

Todas estas cosas se pueden encontrar con un poco de excavación mínima a través de los libros de texto, estoy seguro. Sería realmente conveniente tenerlos en unas pocas páginas.

Algunos de los mejores y libremente disponibles los recursos son:

• Hastie, Friedman y col. Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción
• David Barber. Razonamiento bayesiano y aprendizaje automático
• David MacKay. Algoritmos de teoría de la información, inferencia y aprendizaje (http://www.inference.phy.cam.ac.uk/mackay/itila/)

En cuanto a la pregunta del autor, no he encontrado la solución "Todo en una página"

Si desea aprender Machine Learning, le recomiendo inscribirse en el curso de ML en línea gratuito en el invierno impartido por el Prof. Andrew Ng .

Hice el anterior en otoño y todo el material de aprendizaje es de una calidad excepcional y está orientado a aplicaciones prácticas, y es mucho más fácil de asimilar que luchar solo con un libro.

También es una fruta bastante baja con buenas explicaciones intuitivas y la mínima cantidad de matemáticas.

Si, estas bien; El "Reconocimiento de patrones y aprendizaje automático" de Christopher Bishop es un excelente libro para referencia general, realmente no puedes equivocarte.

Un libro bastante reciente pero también muy bien escrito e igualmente amplio es el " Razonamiento bayesiano y el aprendizaje automático " de David Barber. " de ; un libro que creo que es un poco más adecuado para un recién llegado en el campo.

He usado "Los elementos del aprendizaje estadístico" de Hastie et al. (mencionado por Macro) y aunque es un libro muy fuerte, no lo recomendaría como primera referencia; quizás le sirva mejor como segunda referencia para temas más especializados. En ese aspecto, el libro de David MacKay, Teoría de la información, Inferencia y Algoritmos de aprendizaje , también puede hacer un trabajo espléndido.

Dado que el consenso parece ser que esta pregunta no es un duplicado, me gustaría compartir mi favorito para principiantes de aprendizaje automático:

Encontré que Programming Collective Intelligence es el libro más fácil para principiantes, ya que el autor Toby Segaran se centra en permitir que el desarrollador de software mediano se ensucie las manos con el pirateo de datos lo más rápido posible.

Capítulo típico: El problema de datos se describe claramente, seguido de una explicación aproximada de cómo funciona el algoritmo y finalmente muestra cómo crear algunas ideas con solo unas pocas líneas de código.

El uso de python le permite a uno entender todo bastante rápido (no necesita saber python, en serio, yo tampoco lo sabía antes). NO piense que este libro solo se enfoca en crear un sistema de recomendación. También se ocupa de la extracción de texto / filtrado de spam / optimización / agrupación / validación, etc. y, por lo tanto, le brinda una visión general clara sobre las herramientas básicas de cada minero de datos.

Witten y Frank, "Data Mining", Elsevier 2005 es un buen libro para el autoaprendizaje, ya que hay una biblioteca de código Java (Weka) para acompañar el libro y está muy orientado a la práctica. Sospecho que hay una edición más reciente que la que tengo.

Tengo Machine Learning: una perspectiva algorítmica de Stephen Marsland y lo encuentro muy útil para el autoaprendizaje. El código de Python se da en todo el libro.

Estoy de acuerdo con lo que se dice en esta crítica favorable:

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

"Elementos de aprendizaje estadístico" sería un gran libro para sus propósitos. La quinta edición del libro, que se publicó a principios de 2011, está disponible gratuitamente en http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

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

A menudo, la parte más difícil de resolver un problema de aprendizaje automático puede ser encontrar el estimador adecuado para el trabajo. Los diferentes estimadores son más adecuados para diferentes tipos de datos y diferentes problemas. El siguiente diagrama de flujo está diseñado para dar a los usuarios una guía aproximada sobre cómo abordar los problemas con respecto a qué estimadores probar sus datos. Haga clic en cualquier estimador en el cuadro a continuación para ver su documentación.

El impresionante repositorio de aprendizaje automático parece ser una lista maestra de recursos, que incluye código, tutoriales y libros .

La mayoría de los libros mencionados en otras respuestas son muy buenos y no puedes equivocarte con ninguno de ellos. Además, encuentro la siguiente hoja de trucos para Python scikit-learnbastante útil.

Me gusta la "Clasificación de patrones" de Duda, Hart y Stork. Esta es una revisión reciente de un texto clásico que explica todo muy bien. No estoy seguro de que se actualice para tener mucha cobertura de redes neuronales y SVM. El libro de Hastie, Tibshirani y Friedman trata sobre lo mejor que existe, pero puede ser un poco más técnico de lo que está buscando y es más detallado que una descripción general del tema.

Microsoft Azure también proporciona una hoja de trucos similar a la de scikit-learn publicada por Anton Tarasenko.

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

Lo acompañan con un aviso:

Las sugerencias que se ofrecen en esta hoja de trucos de algoritmos son reglas generales aproximadas. Algunos pueden doblarse y otros pueden violarse flagrantemente. Esto tiene la intención de sugerir un punto de partida. (...)

Microsoft también proporciona un artículo introductorio que proporciona más detalles.

Tenga en cuenta que esos materiales se centran en los métodos implementados en Microsoft Azure.

No comience con Elementos de aprendizaje estadístico. Es genial, pero es un libro de referencia, que no suena como lo que estás buscando. Comenzaría con Programming Collective Intelligence, ya que es una lectura fácil.

Para un primer libro sobre aprendizaje automático, que hace un buen trabajo al explicar los principios, recomiendo encarecidamente

Rogers y Girolami, A First Course in Machine Learning , (Chapman & Hall / CRC Machine Learning & Pattern Recognition), 2011.

El libro de Chris Bishop, o el de David Barber, hacen buenas elecciones para un libro con mayor amplitud, una vez que entiendes bien los principios.

Escribí un resumen como ese, pero solo en una tarea de aprendizaje automático (Premio Netflix), y tiene 195 páginas: http://arek-paterek.com/book

Consulte este enlace con algunos libros electrónicos gratuitos sobre aprendizaje automático: http://designimag.com/best-free-machine-learning-ebooks/ . Puede ser útil para usted.

Una buena hoja de trucos es la del libro de Max Kuhn Modelado predictivo aplicado . En el libro hay una buena tabla resumen de varios modelos de aprendizaje de ML. La tabla se encuentra en el apéndice A, página 549.