Skip to content

Instantly share code, notes, and snippets.

Embed
What would you like to do?
Рекомендации от преподавателей специализации «Машинное обучение и анализ данных»

Рекомендации от преподавателей специализации

Мы составили для вас список наших любимых учебников по темам, рассматривавшимся в этом курсе, с короткими комментариями.

(Лучше всего изучать прямо в такой последовательности)

  • Hastie, Tibshirani, Friedman. The elements of statistical learning — классический способ начать знакомиться с машинным обучением, если вас не пугает математика;
  • Bishop. Pattern recognition and machine learning — (чрезмерно) подробный справочник методов, дающий возможность познакомиться, например, с десятью версиями метода главных компонент;
  • Murphy. Machine learning a probabilistic perspective — очень объемная и содержательная книга из MIT (~1000 страниц), освещена большая часть мейнстримовых методов машинного обучения.

Если в начале математика в The elements of statistical learning покажется сложной, можно попробовать облегчённую версию учебника от тех же авторов — James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning.

Если хочется на русском, то можно начать с лекций Константина Вячеславовича Воронцова по машинному обучению. Но решающие деревья в этом случае лучше изучить по User Guide scikit-learn, а градиентный бустинг и случайный лес — все-таки по The elements of statistical learning.


Если до погружения в математику хочется понять на инженерном уровне «что как работает», то для этого хорошо подойдут:

  • Harrington. Machine Learning in Action — дается базовое знакомство с методами машинного обучения, без перегрузки математическими деталями;
  • Marshland. Machine Learning: An Algorithmic Perspective — приводятся и объясняются реализации разных методов машинного обучения на Python;
  • Richert, Coelho. Building Machine Learning Systems with Python — очень доступное изложение разных задач машинного обучения (анализ изображений, текстов, звука) с описанием того, как это сделать в Python (прямо с кодом).

Отдельно про нейросети можно почитать:

  • Хайкин. Нейронные сети. Полный курс;
  • Goodfellow, Bengio, Courville. Deep Learning (для сильных духом любителей складывать слои как блинчики).
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment
You can’t perform that action at this time.