Mesin belajar buku masak / kartu referensi / cheatsheet?

Saya menemukan sumber daya seperti Buku Catatan Probabilitas dan Statistik dan Kartu Referensi R untuk Penambangan Data yang sangat berguna. Mereka jelas berfungsi dengan baik sebagai referensi tetapi juga membantu saya untuk mengatur pikiran saya pada suatu subjek dan mendapatkan awam dari tanah.

T: Apakah ada sumber daya seperti ini yang ada untuk metode pembelajaran mesin?

Saya membayangkan kartu referensi yang untuk setiap metode ML akan mencakup:

• Properti Umum
• Ketika metode ini bekerja dengan baik
• Ketika metode ini buruk
• Dari mana atau ke metode lain metode mana digeneralisasikan. Apakah sebagian besar telah digantikan?
• Makalah seminal tentang metode ini
• Buka masalah yang terkait dengan metode ini
• Intensitas komputasi

Semua hal ini dapat ditemukan dengan sedikit menggali melalui buku teks saya yakin. Akan sangat mudah untuk memilikinya di beberapa halaman.

Beberapa sumber daya terbaik dan tersedia secara bebas adalah:

• Hastie, Friedman et al. Elemen Pembelajaran Statistik: Penambangan Data, Inferensi, dan Prediksi
• David Barber. Bayesian Reasoning dan Machine Learning
• David MacKay. Teori Informasi, Inferensi, dan Algoritma Pembelajaran (http://www.inference.phy.cam.ac.uk/mackay/itila/)

Mengenai pertanyaan penulis, saya belum menemukan solusi "Semua dalam satu halaman"

Jika Anda ingin belajar Pembelajaran Mesin, saya sangat menyarankan Anda mendaftar di kursus ML online gratis di musim dingin yang diajarkan oleh Prof. Andrew Ng .

Saya melakukan yang sebelumnya di musim gugur dan semua materi pembelajaran memiliki kualitas luar biasa dan diarahkan untuk aplikasi praktis, dan jauh lebih mudah untuk mendapatkan yang berjuang sendirian dengan buku.

Ini juga membuat buah gantung yang cukup rendah dengan penjelasan intuitif yang bagus dan jumlah minimum matematika.

Ya, Anda baik-baik saja; "Pengenalan Pola dan Pembelajaran Mesin" dari Christopher Bishop adalah buku yang bagus untuk referensi umum, Anda tidak bisa salah dengan itu.

Buku yang cukup baru tetapi juga ditulis dengan sangat baik dan sama-sama luas adalah karya David Barber " Bayesian Reasoning and Machine Learning "; buku yang saya rasa sedikit lebih cocok untuk pendatang baru di lapangan.

Saya telah menggunakan "Elemen Pembelajaran Statistik" dari Hastie et al. (disebutkan oleh Makro) dan meskipun buku yang sangat kuat saya tidak akan merekomendasikannya sebagai referensi pertama; mungkin itu akan membantu Anda lebih baik sebagai referensi kedua untuk topik yang lebih khusus. Dalam aspek itu, buku David MacKay, Teori Informasi, Inferensi, dan Algoritma Pembelajaran , juga dapat melakukan pekerjaan yang sangat bagus.

Karena tampaknya konsensus bahwa pertanyaan ini bukan duplikat, saya ingin membagikan favorit saya untuk pemula yang belajar mesin:

Saya menemukan Programming Collective Intelligence buku paling mudah untuk pemula, karena penulis Toby Segaran berfokus pada memungkinkan pengembang perangkat lunak median untuk mengotori tangannya dengan peretasan data secepat mungkin.

Bab umum: Masalah data dijelaskan dengan jelas, diikuti oleh penjelasan kasar bagaimana algoritma bekerja dan akhirnya menunjukkan cara membuat beberapa wawasan hanya dengan beberapa baris kode.

Penggunaan python memungkinkan seseorang untuk memahami segalanya lebih cepat (Anda tidak perlu tahu python, serius, saya tidak tahu sebelumnya, juga). JANGAN berpikir bahwa buku ini hanya berfokus pada pembuatan sistem rekomendasi. Ini juga berkaitan dengan penambangan teks / penyaringan spam / optimisasi / pengelompokan / validasi dll dan karenanya memberi Anda tinjauan yang rapi atas alat dasar dari setiap penambang data.

Witten dan Frank, "Data Mining", Elsevier 2005 adalah buku yang bagus untuk belajar mandiri karena ada perpustakaan kode Java (Weka) untuk disertakan dengan buku itu dan sangat praktis berorientasi. Saya menduga ada edisi yang lebih baru daripada yang saya miliki.

Saya memiliki Pembelajaran Mesin: Suatu Perspektif Algoritma oleh Stephen Marsland dan menemukannya sangat berguna untuk belajar mandiri. Kode python diberikan di seluruh buku.

Saya setuju dengan apa yang dikatakan dalam ulasan yang menguntungkan ini:

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

"Elemen Pembelajaran Statistik" akan menjadi buku yang bagus untuk tujuan Anda. Edisi ke-5 buku ini, yang diterbitkan pada awal 2011, tersedia secara bebas di http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

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

Seringkali bagian tersulit dalam menyelesaikan masalah pembelajaran mesin adalah menemukan penaksir yang tepat untuk pekerjaan itu. Penduga yang berbeda lebih cocok untuk berbagai jenis data dan masalah yang berbeda. Diagram alir di bawah ini dirancang untuk memberi pengguna sedikit panduan kasar tentang cara mendekati masalah terkait dengan estimator mana yang akan dicoba pada data Anda. Klik pada penaksir mana saja pada bagan di bawah ini untuk melihat dokumentasinya.

The mengagumkan-mesin-belajar repositori tampaknya menjadi daftar induk sumber daya, termasuk kode, tutorial dan buku .

Sebagian besar buku yang disebutkan dalam jawaban lain sangat bagus dan Anda tidak bisa salah dengan salah satu dari mereka. Selain itu, saya menemukan lembar contekan untuk Python scikit-learncukup berguna.

Saya suka Duda, Hart dan Bangau "Klasifikasi Pola". Ini adalah revisi terbaru dari teks klasik yang menjelaskan semuanya dengan sangat baik. Tidak yakin bahwa itu diperbarui untuk memiliki banyak jangkauan jaringan saraf dan SVM. Buku karya Hastie, Tibshirani dan Friedman adalah tentang yang terbaik yang ada tetapi mungkin sedikit lebih teknis daripada apa yang Anda cari dan lebih rinci daripada tinjauan umum tentang subjek.

Microsoft Azure juga menyediakan cheat-sheet yang mirip dengan scikit-learning yang diposting oleh Anton Tarasenko.

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

Mereka menemani dengan pemberitahuan:

Saran yang ditawarkan dalam lembar contekan algoritma ini adalah perkiraan aturan praktis. Beberapa dapat dibengkokkan, dan beberapa dapat secara terang-terangan dilanggar. Ini dimaksudkan untuk menyarankan titik awal. (...)

Microsoft juga menyediakan artikel pengantar yang memberikan rincian lebih lanjut.

Harap perhatikan bahwa materi tersebut difokuskan pada metode yang diterapkan di Microsoft Azure.

Jangan mulai dengan Elemen Pembelajaran Statistik. Sangat bagus, tetapi buku referensi, yang kedengarannya tidak seperti yang Anda cari. Saya akan mulai dengan Programming Collective Intelligence karena mudah dibaca.

Untuk buku pertama tentang pembelajaran mesin, yang melakukan pekerjaan dengan baik dalam menjelaskan prinsip-prinsip, saya akan sangat merekomendasikan

Rogers dan Girolami, Kursus Pertama dalam Pembelajaran Mesin , (Chapman & Hall / Pembelajaran Mesin CRC & Pengenalan Pola), 2011.

Buku Chris Bishop, atau David Barber, keduanya membuat pilihan yang baik untuk sebuah buku dengan luas yang lebih besar, begitu Anda memahami prinsip-prinsipnya.

Saya menulis ringkasan seperti itu, tetapi hanya pada satu tugas pembelajaran mesin (Hadiah Netflix), dan memiliki 195 halaman: http://arek-paterek.com/book

Periksa tautan ini yang menampilkan beberapa ebook gratis tentang pembelajaran mesin: http://designimag.com/best-free-machine-learning-ebooks/ . mungkin bermanfaat bagi Anda.

Cheatsheet yang baik adalah yang ada di buku Max Kuhn Applied Predictive Modeling . Dalam buku itu ada tabel ringkasan yang bagus dari beberapa model pembelajaran ML. Tabelnya ada dalam lampiran A halaman 549.