Maschinelles Lernen Kochbuch / Referenzkarte / Spickzettel?

Ich finde Ressourcen wie das Probability and Statistics Cookbook und die R Reference Card für Data Mining unglaublich nützlich. Sie dienen offensichtlich als Referenzen, helfen mir aber auch, meine Gedanken zu einem Thema zu ordnen und die Lage des Landes zu bestimmen.

F: Gibt es solche Ressourcen für Methoden des maschinellen Lernens?

Ich stelle mir eine Referenzkarte vor, die für jede ML-Methode Folgendes beinhalten würde:

• Allgemeine Eigenschaften
• Wenn die Methode gut funktioniert
• Wenn die Methode schlecht tut
• Von welchen oder zu welchen anderen Methoden verallgemeinert sich die Methode. Wurde es größtenteils abgelöst?
• Vorarbeiten zur Methode
• Offene Probleme im Zusammenhang mit der Methode
• Rechenintensität

All diese Dinge lassen sich mit ein wenig Mühe in Lehrbüchern nachlesen, da bin ich mir sicher. Es wäre einfach sehr praktisch, sie auf ein paar Seiten zu haben.

Einige der besten und frei verfügbaren Ressourcen sind:

• Hastie, Friedman et al. Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage
• David Barber. Bayesianisches Denken und maschinelles Lernen
• David MacKay. Informationstheorie, Inferenz und Lernalgorithmen (http://www.inference.phy.cam.ac.uk/mackay/itila/)

In Bezug auf die Frage des Autors habe ich die Lösung "Alles auf einer Seite" nicht getroffen

Wenn Sie maschinelles Lernen lernen möchten, rate ich Ihnen dringend, sich im Winter für den kostenlosen Online-ML-Kurs von Prof. Andrew Ng anzumelden .

Ich habe das vorige im Herbst gemacht, und das gesamte Lernmaterial ist von außergewöhnlicher Qualität und auf praktische Anwendungen ausgerichtet. Es ist viel einfacher, sich mit einem Buch allein herumzuschlagen.

Es ist auch eine ziemlich niedrig hängende Frucht mit guten intuitiven Erklärungen und einem Minimum an Mathematik.

Ja, dir geht es gut; Christopher Bishops "Pattern Recognition and Machine Learning" ist ein ausgezeichnetes Buch, mit dem man nichts falsch machen kann.

Ein relativ junges, aber auch sehr gut geschriebenes und ebenso umfangreiches Buch ist David Barbers " Bayesian Reasoning and Machine Learning "; Ein Buch, das ich für etwas geeigneter halte, ist für einen Neuling auf diesem Gebiet.

Ich habe "The Elements of Statistical Learning" von Hastie et al. (von Macro erwähnt) und obwohl es ein sehr starkes Buch ist, würde ich es nicht als erste Referenz empfehlen; Vielleicht würde es Ihnen besser als zweite Referenz für spezialisiertere Themen dienen. In dieser Hinsicht kann David MacKays Buch Informationstheorie, Inferenz und Lernalgorithmen ebenfalls hervorragende Arbeit leisten.

Da der Konsens zu sein scheint, dass es sich bei dieser Frage nicht um ein Duplikat handelt, möchte ich meinen Favoriten für Anfänger mit Maschinenkenntnissen mitteilen:

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 (man muss Python nicht ernsthaft kennen, ich wusste es auch nicht vorher). Denken Sie nicht, dass dieses Buch sich nur auf die Erstellung eines Empfehlungssystems konzentriert. Es befasst sich auch mit Text Mining / Spam-Filterung / Optimierung / Clustering / Validierung usw. und gibt Ihnen somit einen ordentlichen Überblick über die grundlegenden Tools jedes Data Miners.

Witten und Frank, "Data Mining", Elsevier 2005 ist ein gutes Buch zum Selbstlernen, da es eine Java-Codebibliothek (Weka) gibt, die zu dem Buch gehört und sehr praxisorientiert ist. Ich vermute, es gibt eine neuere Ausgabe als die, die ich habe.

Ich habe maschinelles Lernen: Eine algorithmische Perspektive von Stephen Marsland und finde es sehr nützlich für das Selbstlernen. Python-Code wird im gesamten Buch angegeben.

Ich stimme dem zu, was in dieser positiven Bewertung gesagt wird:

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

"Elemente des statistischen Lernens" wäre ein großartiges Buch für Ihre Zwecke. Die fünfte Ausgabe des Anfang 2011 erschienenen Buches ist kostenlos unter http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf erhältlich

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

Der schwierigste Teil bei der Lösung eines Problems des maschinellen Lernens ist oft, den richtigen Schätzer für den Job zu finden. Unterschiedliche Schätzer eignen sich besser für unterschiedliche Datentypen und unterschiedliche Probleme. Das folgende Flussdiagramm soll den Benutzern eine grobe Anleitung geben, wie sie Probleme angehen können, wenn es darum geht, welche Schätzer Sie für Ihre Daten verwenden sollten. Klicken Sie auf einen Schätzer in der folgenden Tabelle, um dessen Dokumentation anzuzeigen.

Das Repository für großartiges maschinelles Lernen scheint eine Master-Liste von Ressourcen zu sein, einschließlich Code, Tutorials und Büchern .

Die meisten Bücher, die in anderen Antworten erwähnt werden, sind sehr gut und mit keinem von ihnen kann man wirklich etwas falsch machen. Außerdem finde ich das folgende Spickzettel für Pythons scikit-learnziemlich nützlich.

Ich mag Duda, Hart und Stork "Pattern Classification". Dies ist eine aktuelle Überarbeitung eines klassischen Textes, der alles sehr gut erklärt. Ich bin nicht sicher, ob es so aktualisiert wurde, dass es viele neuronale Netze und SVMs abdeckt. Das Buch von Hastie, Tibshirani und Friedman ist das Beste, was es gibt, aber es ist vielleicht ein bisschen technischer als das, wonach Sie suchen. Es ist eher detailliert als ein Überblick über das Thema.

Microsoft Azure stellt auch ein ähnliches Spickzettelblatt zur Verfügung wie das von Anton Tarasenko.

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

Sie begleiten es mit einem Hinweis:

Die Vorschläge in diesem Algorithmus-Spickzettel sind ungefähre Faustregeln. Einige können verbogen werden, andere können offenkundig verletzt werden. Dies soll einen Ausgangspunkt vorschlagen. (...)

Microsoft stellt zusätzlich einen Einführungsartikel mit weiteren Details zur Verfügung.

Beachten Sie, dass sich diese Materialien auf die in Microsoft Azure implementierten Methoden konzentrieren.

Beginnen Sie nicht mit Elementen des statistischen Lernens. Es ist großartig, aber es ist ein Nachschlagewerk, das nicht so klingt, wie Sie es suchen. Ich würde mit dem Programmieren von Collective Intelligence beginnen, da es einfach zu lesen ist.

Für ein erstes Buch über maschinelles Lernen, das die Prinzipien gut erklärt, würde ich es wärmstens empfehlen

Rogers und Girolami, Ein erster Kurs in maschinellem Lernen (Chapman & Hall / CRC Machine Learning & Pattern Recognition), 2011.

Das Buch von Chris Bishop oder das von David Barber treffen gute Entscheidungen für ein Buch mit größerer Breite, wenn Sie die Prinzipien gut verstanden haben.

Ich habe so eine Zusammenfassung geschrieben, aber nur für eine maschinelle Lernaufgabe (Netflix-Preis), und sie hat 195 Seiten: http://arek-paterek.com/book

Überprüfen Sie diesen Link mit einigen kostenlosen eBooks zum Thema maschinelles Lernen: http://designimag.com/best-free-machine-learning-ebooks/ . Es könnte für Sie nützlich sein.

Ein guter Spickzettel ist der in Max Kuhns Buch Applied Predictive Modeling . Das Buch enthält eine gute Übersichtstabelle mit mehreren ML-Lernmodellen. Die Tabelle befindet sich in Anhang A Seite 549.