Skip to content

Instantly share code, notes, and snippets.

@bashkirtsevich

bashkirtsevich/reading.md

Last active February 24, 2024 18:37
Show Gist options
  • Star 12 You must be signed in to star a gist
  • Fork 5 You must be signed in to fork a gist
  • Save bashkirtsevich/2bd1ac429ef9da7ba10a3428fd7d078d to your computer and use it in GitHub Desktop.
Save bashkirtsevich/2bd1ac429ef9da7ba10a3428fd7d078d to your computer and use it in GitHub Desktop.
Download ZIP
Машинное обучение
Raw
reading.md

Для тех, кто хочет на русском языке почитать:

  1. Петер Флах Машинное обучение источник, Оглавление и отрывки из глав

  2. Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R источник, Оглавление и отрывки из глав

  3. Себастьян Рашка Python и машинное обучение источник

  4. Хенрик Бринк, Джозеф Ричардс Машинное обучение источник

  5. Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных источник

  6. К. В. Воронцов. Математические методы обучения по прецедентам (теория обучения машин) источник

  7. Мерков А.Б. Введение в методы статистического обучения источник

  8. Аркадий Гелиг, Алексей Матвеев Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие источник

  9. Мерков А.Б. Построение и обучение вероятностных моделей источник

  10. Ричарт В., Коэльо П.Л. Построение систем машинного обучения на языке Python источник, Оглавление и отрывки из глав (тут больше практика по машинному обучению)

  11. Вьюгин В. Математические основы машинного обучения и прогнозирования источник

  12. Червоненкис А.Я. Теория обучения машин

  13. Ричард С. Саттон, Эндрю Г. Барто Обучение с подкреплением источник

  14. Андреас Мюллер, Сара Гвидо Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными источник

  15. Дэви Силен, Арно Мейсман Основы Data Science и Big Data. Python и наука о данных источник

  16. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций источник

  17. В. И. Донской Алгоритмические модели обучения классификации:обоснование, сравнение, выбор источник

  18. Местецкий Л.М. Математические методы распознавания образов Курс лекций источник

  19. Кристофер Д. Маннинг, Прабхакар Рагхаван Введение в информационный поиск источник

  20. Юре Лесковец, Ананд Раджараман Анализ больших наборов данных источник, оглавление и отрывки из глав

  21. Шлезингер М.И. Десять лекций по статистическому и структурному распознаванию образов источник

Для тех, кто хочет на русском языке посмотреть:

Прежде чем заниматься конкретно машинным обучением, рекомендую всё же ознакомится с книгами

  • С_тюарт Рассел, Питер Норвиг_ Искусственный интеллект. Современный подход источник

  • Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы
    решения сложных проблем     источник

таким образом у вас сформируется более четкое понимание предметной области машинного обучения и сильно расширит ваш кругозор. Нейронные сети занимают важную позицию в машинном обучении, поэтому стоит ознакомится с книгой

  • Саймон Хайкин Нейронные сети. Полный курс источник

Так же вы должны уметь производить предварительный анализ данных, что бы понять, какие методы машинного обучения можно применить к вашему набору данных или как его лучше подготовить, в этом вам помогут следующие книги:

  • Борис Миркин Введение в анализ данных. Учебник и практикум источник

  • Марина Архипова, Татьяна Дуброва Анализ данных. Учебник источник

  • Загоруйко Н.Г. Прикладные методы анализа данных и знаний источник

  • Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия источник

  • Рубан А.И. Методы анализа данных

  • Уэс Маккинни Python и анализ данных источник (практика)

  • Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R источник (практика)

Вы должны знать хорошо математику (в особенности линейную алгебру), статистику, теорию вероятностей, дискретную математику. Я например неважно знаю математику и мне очень тяжело читать стандартные учебники, рассчитанные на то, что преподаватель сможет разжевать скупое описание формулы, поэтому для легкого порога вхождения рекомендую следующие книги (от основ и выше):

Стивен Х. Строгац Удовольствие от x. Увлекательная экскурсия в мир математики от одного из лучших преподавателей в мире источник

Юрий Шиханович Введение в современную математику. Начальные понятия источник

Рональд Л. Грэхем, Дональд Эрвин Кнут Конкретная математика. Математические основы информатики источник

Юрий Пухначев Математика без формул книга1, книга2

Риxард Курант, Герберт Роббинс Что такое математика? источник

Тарасов Л.В. Азбука математического анализа. Беседы об основных понятиях. Учебное пособие источник

На любителя:

Занимательная статистика. Манга. http://dmkpress.com/catalog/computer/statistics/978-5-94120-269-0 

Занимательная статистика. Регрессионный анализ. Манга http://dmkpress.com/catalog/computer/statistics/978-5-97060-115-0  

Занимательная математика. Производные
и интегралы. Манга http://dmkpress.com/catalog/manga/978-5-94120-228-7/

Занимательная статистика. Факторный анализ. Манга http://dmkpress.com/catalog/computer/statistics/978-5-97060-116-7

Потом уже можно браться за стандартный учебник математического анализа

  • Фихтенгольц Г.М. Основы математического анализа. источник (это один из немногих классических учебников, где например хорошо разжевано понятие производной, поверьте, я многих сравнивал).

Статистика, теория вероятностей:

Гнеденко Б.В., Хинчин А.Я. Элементарное введение в теорию вероятностей источник

Сара Бослаф Статистика для всех источник

Чарльз Уилан Голая статистика. Самая интересная книга о самой скучной науке источник

Перечень будет дополнятся только если появится действительно стоящий курс или книга.

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment