Clever Geek Handbook

7 kostenlose Bücher, die jeder Datenwissenschaftler lesen sollte



Selbstbildung ist vielleicht einer der schwierigsten Wege und Prozesse für einen Erwachsenen. Bei so vielen Ablenkungen ist es schwierig, sich durchzuhalten (besonders wenn die Motivation nicht klar ist). Aber Selbstbildung als Evolution ist ein wesentlicher Bestandteil des Lebens eines jeden Profis oder eines jeden, der einer werden möchte. In diesem Fall können Bücher zu demselben Schuss werden, der zwei Fliegen mit einer Klappe schlägt. Sie wachsen beide als Spezialist und fallen nicht aus dem Leben. Der Autor des Materials hat 7 kostenlose E-Books ausgewählt, mit denen Sie Data Science und ML lernen können.



1. Tiefes Lernen







Von Ian Goodfellow, Joshua Bengio und Aaron Courville.

Deep Learning wurde erstmals im Jahr 2016 veröffentlicht. Es war eines der ersten Bücher, die sich dem tiefen Lernen widmeten. Das Buch wurde von einem Team angesehener Forscher verfasst, die zu dieser Zeit an der Spitze der Entwicklung standen. Diese Arbeit auf dem Gebiet der neuronalen Netze bleibt einflussreich und wird respektiert. Die vorgestellte Arbeit ist eine theoretische Abhandlung über tiefes Lernen, von Grundkonzepten bis zu modernen Ideen wie komplexen generativen Netzwerken und der Anwendung von maschinellem Lernen in Unternehmen und darüber hinaus. Dieses Buch ist eine detaillierte, mathematische Erklärung des Wissenschaftsbereichs. Wenn Sie ein breites Grundwissen über die fortschrittlichsten Elemente dieses Bereichs erwerben möchten, ist dieses Buch genau das Richtige für Sie.



2. Tauchen Sie ein in Deep Learning







Von Aston Zhang, Zach K. Lipton, Mu Li und Alex J. Resin

Dive Into Deep Learning ist ein interaktives Deep Learning-Buch mit Code, Mathematik und Kommentaren Es zeigt Implementierungen in NumPy, MXNet, PyTorch und TensorFlow. Die Autoren sind Amazon-Mitarbeiter, die die Amazon MXNet-Bibliothek verwenden, um tiefes Lernen zu lehren. Das Buch wird regelmäßig aktualisiert. Lesen Sie daher unbedingt die neueste Version.



Zachary Lipton über das Buch:

Dive into Deep Learning (D2K) ? , . ( ) ( , , ). : , , , . , . , .




3. Machine Learning Yearning







Verfasser: Andrew Eun.

Dieses Buch wurde von Andrew Ng geschrieben, einem Professor der Stanford University und Pionier der Online-Bildung. Andrew ist einer der Gründer von Coursera und deeplearning.ai .

Maschinelles Lernen Yearning zeigt Ihnen, wie Sie Algorithmen für maschinelles Lernen zum Laufen bringen, nicht jedoch die Algorithmen selbst. Es identifiziert die vielversprechendsten Bereiche für das KI-Projekt. Dieses Buch ist ein Juwel, das Ihnen bei der Lösung praktischer Probleme wie der Diagnose von Fehlern in maschinellen Lernsystemen hilft. Sie wird Ihnen beibringen, wie man End-to-End-Lernen, Transferlernen, Multitasking-Lernen und mehr anwendet.



4. Interpretierbares maschinelles Lernen







Verfasser: Christoph Molnar.

Technisch ist dieses Buch nicht kostenlos. Es wird auf der Basis von Pay-What-You-Want verkauft.

Interpretierbares maschinelles Lernen konzentriert sich auf maschinelle Lernmodelle für tabellarische Daten (auch als relationale oder strukturierte Daten bezeichnet) und legt weniger Wert auf Computer Vision und Aufgaben zur Verarbeitung natürlicher Sprache. Dieses Buch wird Experten für maschinelles Lernen, Datenwissenschaftlern, Statistikern und allen empfohlen, die an der Interpretation von Modellen für maschinelles Lernen interessiert sind. Hier erfahren Sie, wie Sie die besten Interpretationstechniken für maschinelles Lernen in Ihrem Projekt auswählen und anwenden.



5. Bayesianische Methoden für Hacker







Gepostet von Cameron Davidson.

Bayesianische Methoden für Hacker Das Buch konzentriert sich auf einen wichtigen Bereich der Datenwissenschaft, der Bayes'schen Inferenz . Bayesianische Methoden für Hacker sind als Einführung in die Bayes'sche Inferenz in Bezug auf das Verständnis zuerst, die Berechnung und die Mathematik zweitens konzipiert. Das Buch richtet sich an Enthusiasten, die keinen ernsthaften mathematischen Hintergrund haben, aber Bayes'sche Methoden praktizieren. Für solche Leute sollte dieser Text interessant genug sein. Dieses Buch ist auch eine großartige Ressource zum Erlernen von PyMC, einer probabilistischen Python-Programmiersprache.



6. Python Data Science Handbuch







Gepostet von Jake Vanderplace.

Das Python Data Science Handbook richtet sich an junge Datenwissenschaftler. Es zeigt Ihnen, wie Sie mit den wichtigsten Tools arbeiten, darunter IPython, NumPy, Pandas, Matplotlib, Scikit-Learn und viele mehr. Dieses Buch ist ideal zum Lösen alltäglicher Aufgaben wie Bereinigen, Verarbeiten und Transformieren von Daten sowie zum Erstellen von Modellen für maschinelles Lernen.



7. Eine Einführung in das statistische Lernen







Von Gareth James, Daniela Witten, Trevor Hasti und Robert Tibshirani.

Eine Einführung in das statistische Lernen ist eine Einführung in statistische Lernmethoden. Das Buch richtet sich an ältere Studenten, Master- und Doktoranden nichtmathematischer Wissenschaften. Es enthält eine Reihe von Labors in R mit detaillierten Erklärungen zur Implementierung verschiedener Methoden in realen Umgebungen. Dieser Text sollte eine wertvolle Ressource für den Datenpraktiker sein.



Bild

Sie können einen begehrten Beruf von Grund auf neu erwerben oder Ihre Fähigkeiten und Ihr Gehalt verbessern, indem Sie Online-SkillFactory-Kurse belegen:





E






More articles:


All Articles