Руководство для начинающих по машинному обучению (издание 2021 г.)

Всем привет, я Ху.

Это вводное руководство по машинному обучению, подготовленное для сообщества друзей. В нем представлены некоторые книги, учебные пособия, видеоролики, а также опыт обучения и предложения, которые я прочитал на пути к машинному обучению. Надеюсь, оно будет полезно для обучения всех.

Питон - Книга

Раньше я сотрудничал с издательством, и у меня в книжном шкафу скопилось много книг по Python, вот три самые ценные книги.

• «Жидкий питон», очень толстый, относительно исчерпывающий, и его часто можно читать как справочник.

• От новичка к практике (2-е издание)Он очень всеобъемлющий и удобный для новичков, в нем много очень хороших упражнений.

• Анализ данных с помощью Python, 2-е изданиеОбязательно к прочтению для начального анализа данных, он в основном знакомит с изучением трех библиотек Python: numpy (массив), pandas (анализ данных) и matplotlib (рисование). Существует версия с открытым исходным кодом, поэтому вам не нужно ее покупать.Ссылка для скачивания и код:

GitHub.com/IA MSE Мрачно…

Python — Учебник

Лучший вводный онлайн-учебник по изучению Python, первая рекомендацияОфициальная документация Python
docs.Python.org/this-talent/3/totem…

Официальная документация достаточно подробная и систематизированная, но содержание слишком большое, и изучить его будет немного сложно, поэтому предлагаю просто прочитать туториал, ссылка на который выше.

Это не так эффективно, как то, что учитель говорит вам слушать непосредственно учебные материалы официальных документов. Учебник по Python для начинающих от Ляо Сюэфэна также является хорошим выбором.В каждом разделе есть практические вопросы, что делает обучение более плавным и очень удобным для начинающих.
Ляо Сюэфэн.com/wiki/101695…

Наиболее часто используемые библиотеки для машинного обучения — это Numpy Pandas и Matplotlib.Я думаю, что полезно читать официальные документы.Однако студенты, которые плохо владеют английским языком, могут быть недовольны.Вот официальные документы этих библиотек и китайские туториалы, которые я считаю очень хорошими. , как напоминание, официальную документацию просто нужно посмотреть по ссылкам, которые я перечислил.

Numpy
Официальная документация:номер py.org/doc/stable/…
Учебник по китайскому языку:woohoo.num py.org.can/user/quick s…
Pandas
Официальная документация:pandas.friends.org/docs/user_a…
Учебник по китайскому языку:У-у-у. Мой друг, Мастер Пэн. Талант / документы / повседневные физические способности...
Matplotlib
Официальная документация:мат сюжет lib.org/stable/map о...
Учебник по китайскому языку:www.matplotlib.org.cn/tutorials/

Питон — Видео

Честно говоря, я не смотрел ни одного видео по Python полностью. В конечном счете, начать работу с Python очень просто, а просмотр видео слишком неэффективен. Ходят слухи, что [Маленькая Черепаха] на Станции B хороша для изучения Python с нулевыми основами. Мы используем Python для обучения машинному обучению. Учащиеся, которым нравится смотреть видеообучение, могут смотреть его. Рекомендуется смотреть только P1-P53.

«Нулевое базовое введение в изучение Python»:воооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооо

Машинное обучение — Книга

Все книги на рынке, которые рекомендуют машинное обучение, незаменимы для «Статистического метода обучения» Ли Ханга и «Машинного обучения» Чжоу Чжихуа, Я также прочитал рекомендации старших братьев и потратил много времени на эти две книги. Но я не думаю, что эти две книги подходят для начала, особенно по статистическому методу обучения. Это просто превосходные читы по боевым искусствам. Они слишком изощренны и слишком трудоемки, чтобы их разжевывать. Напротив, "Машинное обучение" г-на Чжоу относительно хорошо. Некоторые формулы немного нервные. "Формулы машинного обучения" Datawhale с открытым исходным кодом является хорошим дополнением. «Машинное обучение» Чжоу Шихуа является незаменимым справочником, или его нужно читать, и нужно читать неоднократно, но рекомендуется после просмотра видеоурока.

Частичное применение книги, рекомендую только одну, остальные не читайте! ! ! :«Машинное обучение в действии: на основе Scikit-Learn, Keras и TensorFlow (исходная книга, 2-е издание)», вы можете прочитать первые 9 глав, чтобы начать.

На рынке очень мало книг, которые могут четко представить применение машинного обучения на уровне бизнеса, такое как интерпретация моделей, модель онлайн, мониторинг моделей и т. д. Я не видел особенно подробных книг. Выполнение.

Теперь, будь то конкуренция или отрасль, модель повышения широко используется, и XGBoost может делать это для классификации, регрессии и сортировки. Наконец, я представлю обязательное к прочтению, на мой взгляд: «Углубленное понимание XGBoost: эффективные алгоритмы машинного обучения и продвинутые возможности», автором которого является Хе Лонг, участник сообщества открытого исходного кода XGBoost. Основываясь на базовых знаниях о машинном обучении, эта книга глубоко анализирует принцип, распределенную реализацию, оптимизацию модели и всестороннее применение XGBoost.

Машинное обучение — учебник

Учебники не очень хорошие В дополнение к документации sklearn я рекомендую только видеокурсы трех учителей, Ву Энда, Ли Хунъи и Линь Сюаньтянь. Учебные материалы здесь отдельно не указаны, я поместил ссылку на скачивание в интеллект-карту.

Sklearn
Официальная документация:Комплект SCI-learn.org/stable/user…
Учебник по китайскому языку:sklearn.apachecn.org/

Машинное обучение — видео

В отличие от Python, я думаю, что лучше следовать видео, чтобы изучить основы машинного обучения, потому что алгоритмы машинного обучения для начинающих включают в себя множество формул, которые очень сложно понять, а учиться с видео будет намного проще.

Премьера видеоВу ЭндаЭто лучший курс для изучения основ машинного обучения. Студенты с плохим английским языком не волнуйтесь, у видео есть китайские субтитры.
воооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооо

В качестве дополнения студенты, у которых есть достаточно времени, могут посетить открытый класс по машинному обучению Ли Хунъи из Национального тайваньского университета, который преподается на китайском языке, что более спокойно и приятно.

уууууууу. Масштаб пропорций.com/video/BV1PE…

Если у вас есть больше времени, вы также можете посмотреть видеокласс Линь Сюаньтяня, просто посмотрите краеугольную часть.
воооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооо

Машинное обучение — математические основы

Математический фундамент — это бездонная яма, слишком много времени тратить не рекомендуется, да и наверстать еще не поздно.

Не всем рекомендуется читать книги.Для студентов с очень слабым фундаментом я рекомендую книгу: "Математика машинного обучения".Эта книга представляет собой всестороннее введение в исчисление, линейную алгебру, статистику вероятностей, теорию информации, случайные процессы, теория графов и т.д. Опять же, эта книга подходит только для студентов с особенно слабым фундаментом.

Я считаю, что в машинном обучении чаще всего должна использоваться линейная алгебра.Если вам нравится смотреть видео, вы можете ознакомиться с линейной алгеброй Ли Хонги в машинном обучении:
вооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооо по

Или 3blue1brown: суть линейной алгебры
воооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооооо по

Я также помещаю в интеллект-карту другие электронные книги, связанные с основами математики.

немного опыта и советов

1. Я уверен, что многие новички являются энтузиастами сбора данных, и они не знают, с чего начать, когда их накапливается все больше и больше. Настоятельно рекомендую выбросить все материалы, взять за критерий мой набор и последовательно его изучать.

2. Как я упоминал ранее, не вникайте во многие вещи сначала, не зацикливайтесь на некоторых местах слишком долго (например, на математике, например, на основах программирования), сначала изучите и закончите. После понимания большого фреймворка еще не поздно вернуться и придумать, где он будет использоваться в будущем.

3. Не обязательно владеть различными алгоритмами машинного обучения, хорошо освоить общеупотребительные, такие как LR, tree model, RF, XGBoost и т.д.

4. Некоторые отличные программисты, аналитики и инженеры вокруг меня очень уважают "обучение на практике, обучение на практике" Будь то книга или видео, если вы видите какие-то хорошие методы и навыки, вы должны немедленно внедрить их самостоятельно. Это выглядит очень просто, но когда вы действительно это сделаете, вы найдете свои собственные недостатки. Быстро изучив вышеуказанный контент, начните практиковаться как можно скорее.Вы можете сначала воспроизвести отличные блокноты на Tianchi или Kaggle, а затем поучаствовать в некоторых соревнованиях начального уровня.

5. Если у вас уже есть работа, лучше поискать сценарии применения машинного обучения в бизнесе, а затем попытаться разработать подходящую модель. Ищите и учитесь, если не понимаете.Это лучший и самый полезный способ учиться, который я знаю.

6. Результатом также является особенно хороший способ обучения.Выход состоит в том, чтобы рассказать другим о новых знаниях определенным образом, чтобы они тоже могли понять и научиться. Я предпочитаю писать заметки (обычно я использую Microsoft OneNote), а затем организовывать заметки в статьи и отправлять их в блог. Таким образом, это не только проверка владения собственными знаниями и выявление слабых мест, но и возможность всем совместно контролировать, учиться друг у друга и учить друг друга.

Хорошо, это все, что нужно сделать. Добро пожаловать в общение со мной, мой WeChat: hych666