摘要： 10本免費的機器學習和數據科學書籍。看看這裡有什麼東西引起你的注意
有誰喜歡免費書籍？
免費書籍似乎是一個好主意。在這裡你會發現幾本基礎的機器學習用書，一些關於特徵工程和模型解釋力的，一本深度學習入門，一本關於編程Python，兩本資料視覺化入門，和幾本強化學習的書。
除了“閱讀！”之外沒有什麼可說的了。
1. Mathematics for Machine Learning
By Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong
一本關於機器學習數學的書，它激勵人們學習數學概念。本書並不打算涵蓋先進的機器學習技術，因為已經有很多書籍在做這件事。相反，我們的目標是提供必要的數學技能來閱讀其他書籍。
2. The Hundred-Page Machine Learning Book
By Andriy Burkov
所有你需要了解的機器學習一百頁。監督和無監督學習，支持向量機，神經網絡，集合方法，梯度下降，聚類分析和降維，自動編碼器和轉移學習，特徵工程和超參數調整！數學，直覺，插圖，都只有一百頁！
'先閱讀後購買'原則意味著您可以免費下載該書，閱讀並與您的朋友和同事分享。只有當你非常喜歡這本書的時候才需要買它。
3. Dive into Deep Learning
By Aston Zhang, Zack C. Lipton, Mu Li, and Alex J. Smola
一個資源可以(1)人人免費使用，（2）提供足夠的技術深度，以提供路徑上的起點，實際上成為一種應用機器學習的科學家,(3）包括可運行的代碼，幫助讀者了解如何解決實踐中存在的問題，並（4）允許作者們以及整個使用者社區進行快速更新，（5）由技術細節互動討論和回答問題的論壇作為補充。
4. Feature Engineering and Selection: A Practical Approach for Predictive Models
by Max Kuhn and Kjell Johnson
特徵工程和選擇的目標是提供重新表示預測變量的工具，將這些工具置於良好的預測建模框架的背景下，並傳達我們在實踐中使用這些工具的經驗。最後，希望這些工具和經驗能夠幫助您生成更好的模型。
與Applied Predictive Modeling一樣，我們使用R作為本文的計算引擎。
5. Interpretable Machine Learning
By Christoph Molnar
所有的解釋方法都得到了深入的解釋和批判性的討論。他們實際上如何運做？他們的優點和缺點是什麼？他們的輸出如何解釋？本書將使您能夠選擇並正確應用最適合您的機器學習項目的解釋方法。
本書側重於表格數據（也稱為關係數據或結構化數據）的機器學習模型，而不是計算機視覺和自然語言處理任務。建議機器學習從業者，數據科學家，統計學家以及任何有興趣使機器學習模型可解釋的人閱讀本書。
6. A Byte of Python
By Swaroop C. H.
“Byte of Python”也是一本關於使用Python語言編程的免費書籍。它可以作為初學者的Python語言教程或指南。如果您對計算機的了解是如何存檔而已，那麼這本書就是您的選擇。
7. BBC Visual and Data Journalism cookbook for R graphics
By BBC
利用R的ggplot2產出能拿來出版等級的圖像，以及使R的新手更容易創建圖形。
8. Data Visualization: A practical introduction
By Kieran Healy
你應該查看你的數據。通過圖形和圖表，您可以瀏覽和了解所收集信息的結構。良好的數據可視化還可以更輕鬆地將您的想法和發現傳達給其他人。除此之外，從自己的數據產生良好的圖形是用來發展閱讀和理解他人的圖表最好的方式，不管是好的還是壞的製作，無論是呈現在研究文章，商務幻燈片組，公共政策倡導，或媒體報導。這本書教你如何做到這一點。
9. Algorithms for Reinforcement Learning
By Csaba Szepesvári
強化學習的目標是開發有效的學習算法以及理解算法的優點和局限性。強化學習引起了極大的興趣，因為可以用來解決大量的實際應用，從人工智能問題到運籌學或控制工程。在本書中，我們專注於強化學習的算法，這些算法建立在強大的動態規劃理論基礎之上。我們給出了一個相當全面的學習問題目錄，描述了核心思想，注意了大量最先進的算法，然後討論了它們的理論性質和局限性。
10. Reinforcement Learning and Optimal Control
By Dimitri P. Bertsekas
本書的目的是考慮大型且具有挑戰性的多階段決策問題，這些問題原則上可以通過動態規劃和最優控制來解決，但它們的精確解決方案在計算上是難以處理的。我們討論依賴於近似的解決方案，以產生具有足夠性能的次優策略。這些方法統稱為強化學習，也可以叫做近似動態規劃或是神經動態規劃之類的替代名稱。
轉貼自： KDnuggets
kopex 
留下你的回應
以訪客張貼回應