En base a esta publicación , quiero digerir Elementos de aprendizaje estadístico. Afortunadamente está disponible de forma gratuita y comencé a leerlo.
No tengo suficiente conocimiento para entenderlo. ¿Me puede recomendar un libro que sea una mejor introducción a los temas del libro? ¿Ojalá algo que me dé el conocimiento necesario para entenderlo?
Relacionado:
¿Es una experiencia sólida en matemáticas un requisito total para el aprendizaje automático?
machine-learning
references
desconocido
fuente
fuente
Respuestas:
Compré, pero aún no he leído,
Sin embargo, las reseñas son favorables y afirman que es más adecuado para principiantes que otros libros de ML que tienen más profundidad. Hojeando las páginas, me parece que es bueno para mí porque tengo pocos antecedentes matemáticos.
fuente
Los autores de Elements of Statistical Learning han publicado un nuevo libro (agosto de 2013) dirigido a usuarios sin grandes conocimientos matemáticos. Una introducción al aprendizaje estadístico: con aplicaciones en R
La versión gratuita en PDF de este libro se puede encontrar actualmente aquí .
fuente
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 los 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.
El Capítulo 10 incluso trata los datos del mercado de valores, pero el foco no está en la minería de datos de series de tiempo. Quizás el único inconveniente (para ti) de este excelente libro.
fuente
Introducción al aprendizaje automático , por E. Alpaydin (MIT Press, 2010, 2ª ed.), Cubre muchos temas con bonitas ilustraciones (al igual que Bishop's Pattern Recognition y Machine Learning ).
Además, Andrew W. Moore tiene algunos buenos tutoriales sobre minería de datos estadísticos .
fuente
Quizás todas las estadísticas de Wasserman sean de interés. Puede probar el libro desde el enlace proporcionado, y solo los primeros párrafos del prefacio hacen una venta difícil en su mercado, y es probable que pueda descargar el libro gratis a través de Springer si está asociado con una universidad.
EDITAR: Vaya, no me di cuenta de lo antiguo que era este hilo.
fuente
Los Elementos del aprendizaje estadístico pueden ser una lectura difícil, especialmente para un estudiante autónomo. Mientras buscaba algunas explicaciones sobre el segundo capítulo, me topé con el siguiente recurso: https://waxworksmath.com/Authors/G_M/Hastie/WriteUp/Weatherwax_Epstein_Hastie_Solution_Manual.pdf . Contiene más de 100 páginas de anotaciones y explicaciones que aclaran algunos momentos complicados del libro. Un gran recurso para todos los que lean este libro. Este texto complementario incluye soluciones para ejercicios.
fuente
Recomiendo encarecidamente un primer curso en aprendizaje automático de Rogers y Girolami. Cubre las ideas clave en un orden muy lógico, con buenos ejemplos y con el nivel mínimo de matemáticas para tener una base adecuada en los fundamentos. No tiene la amplitud de cobertura de algunos libros, pero eso es exactamente por qué es tan bueno como un texto introductorio.
fuente
Otro libro que es muy interesante es el razonamiento bayesiano y el aprendizaje automático de David Barber. El libro está disponible como descarga gratuita desde el sitio web del autor: http://www.cs.ucl.ac.uk/staff/d.barber/brml/
fuente