Книги и учебные ресурсы по машинному обучению

Книги и учебные ресурсы по машинному обучению

Посоветуйте какие-нибудь хорошие книги по математике и машинному обучению. Желательно в доступной для понимания форме.

Дописывайте, если есть что добавить в общий ответ.

Прежде чем заниматься конкретно машинным обучением, рекомендуем ознакомиться с книгами

Стюарт Рассел, Питер Норвиг Искусственный интеллект. Современный подход источник

Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы решения сложных проблем источник

таким образом у вас сформируется более четкое понимание предметной области машинного обучения и сильно расширит ваш кругозор. Нейронные сети занимают важную позицию в машинном обучении, поэтому стоит ознакомиться с книгой

  • Саймон Хайкин Нейронные сети. Полный курсисточник

Также вы должны уметь производить предварительный анализ данных, чтобы понять, какие методы машинного обучения можно применить к вашему набору данных или как его лучше подготовить, в этом вам помогут следующие книги:

Борис Миркин Введение в анализ данных. Учебник и практикум источник

Марина Архипова, Татьяна Дуброва Анализ данных. Учебник источник

Загоруйко Н.Г. Прикладные методы анализа данных и знаний источник

Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия источник

Рубан А.И. Методы анализа данных

Уэс Маккинни Python и анализ данных источник (практика)

Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R источник (практика)

Вы должны знать хорошо математику (в особенности линейную алгебру), статистику, теорию вероятностей, дискретную математику. Я, например, неважно знаю математику и мне очень тяжело читать стандартные учебники, рассчитанные на то, что преподаватель сможет разжевать скупое описание формулы, поэтому для легкого порога вхождения рекомендую следующие книги (от основ и выше):

Стивен Х. Строгац Удовольствие от x. Увлекательная экскурсия в мир математики от одного из лучших преподавателей в мире источник

Юрий Шиханович Введение в современную математику. Начальные понятия источник

Рональд Л. Грэхем, Дональд Эрвин Кнут Конкретная математика. Математические основы информатики источник

Юрий Пухначев Математика без формул книга1, книга2

Тарасов Л.В. Азбука математического анализа. Беседы об основных понятиях. Учебное пособие источник

Анатолий Мышкис Лекции по высшей математике источник

Рихард Курант, Герберт Роббинс Что такое математика? источник

Потом уже можно браться за стандартный учебник математического анализа

  • Фихтенгольц Г.М.Основы математического анализаисточник

Книги на русском языке

Кристофер М. Бишоп Распознавание образов и машинное обучение источник

Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R источник, Оглавление и отрывки из глав

Себастьян Рашка Python и машинное обучение источник

Хенрик Бринк, Джозеф Ричардс Машинное обучение источник

Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных источник

К. В. Воронцов Математические методы обучения по прецедентам (теория обучения машин) источник

Мерков А.Б. Введение в методы статистического обучения источник

Аркадий Гелиг, Алексей Матвеев Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие источник

Мерков А.Б. Построение и обучение вероятностных моделей источник

Ричарт В., Коэльо П.Л. Построение систем машинного обучения на языке Python источник, Оглавление и отрывки из глав (тут больше практика по машинному обучению)

Вьюгин В. Математические основы машинного обучения и прогнозирования источник

Червоненкис А.Я. Теория обучения машин

Ричард С. Саттон, Эндрю Г. Барто Обучение с подкреплением источник

Андреас Мюллер, Сара Гвидо Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными источник

Дэви Силен, Арно Мейсман Основы Data Science и Big Data. Python и наука о данных источник

Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций источник

В. И. Донской Алгоритмические модели обучения классификации:обоснование, сравнение, выбор источник

Местецкий Л.М. Математические методы распознавания образов Курс лекций источник

Кристофер Д. Маннинг, Прабхакар Рагхаван Введение в информационный поиск источник

Юре Лесковец, Ананд Раджараман Анализ больших наборов данных источник, оглавление и отрывки из глав

Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение источник, оглавление и отрывки из глав

Шлезингер М.И. Десять лекций по статистическому и структурному распознаванию образов источник

Джулли А., Пал С. Библиотека Keras — инструмент глубокого обучения источник оглавление и отрывки из глав

Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python источник оглавление и отрывки из глав

Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R источник , эл.версия

Дж. Вандер Плас Python для сложных задач. Наука о данных и машинное обучение источник

Даррен Кук Машинное обучение с использованием библиотеки Н2О источник оглавление и отрывки из глав

Открытый курс OpenDataScience по машинному обучению источник - статьи на Хабрахабре

Слайды лекций по курсу “Машинное обучение” источник

Лекция 2008 года Н.Ю. Золотых Как обучаются машины? источник, презентация к лекциям от 2018 г.

Тарик Рашид Создаем нейронную сеть источник

Николенко С. И., Кадурин А. А., Архангельская Е. О. Глубокое обучение источник

С. И. Николенко, А. Л. Тулупьев Самообучающиеся системы источник

Паттерсон Дж., Гибсон А. Глубокое обучение с точки зрения практика источник, оглавление и отрывки из глав

Орельен Жерон Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем источник, оглавление, отрывки из глав

П.Е. Овчинников Применение искусственных нейронных сетей для обработки сигналов. Учебно-методическое пособие. 2012г источник

Франсуа Шолле Глубокое обучение на R источник, оглавление, отрывки из глав

О`Нил, Шатт Data Science. Инсайдерская информация для новичков. Включая язык R источник

Шай Шалев-Шварц, Шай Бен-Давид Идеи машинного обучения источник, оглавление и отрывки из глав

Франсуа Шолле Глубокое обучение на Python источник

Пратик Джоши Искусственный интеллект с примерами на Python источник

Бенгфорт Б., Билбро Р., Охеда Т. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка источник

Келлехер Дж., Мак-Нейми Б., д`Арси А. Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования источник

Равичандиран С. Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи источник

Видео на русском языке

Высшая школа экономики «Введение в машинное обучение» источник Coursera

Специализация Машинное обучение и анализ данных включающая себя 6 курсов : источник Coursera

Видеолекции курса «Машинное обучение» от Школы анализа данных Яндекса источник на яндексе или источник на ютубе

Специализация Анализ Данных от Stepik (часть курсов из этой специализации отображена тут)

Курс Р.В. Шамина Машинное обучение и искусственный интеллект в математике и приложениях источник

Виктор Кантор МФТИ Машинное обучение источник

Курс от Stepik Нейронные сети источник

Видеолекциии (13шт.) Введение в анализ данных источник Mail.ru

Видеолекциии (1 семестр) Data Minig источник Mail.ru

Видеолекциии (2 семестр) Data Minig источник Mail.ru

Computer Science Center Машинное обучение, часть 1 (осень 2016) источник ютуб

Computer Science Center Машинное обучение, часть 2 (весна 2017) источник ютуб

Data Mining in Action 10 лекций по ML источник ютуб

Компьютерные науки Тренировки Machine Learning источник ютуб здесь люди делятся своим реальным опытом в ML

Шамин Р.В. Лекции по искусственному интеллекту и машинному обучению источник

Искусственный интеллект и машинное обучение (лекции) источник - сайт, ютуб

Канал OpenDataScience по машинному обучению и MLClass источник ютуб

Сергей Николенко Основы байесовского вывода источник ютуб

Технострим Mail.Ru Нейронные сети в машинном обучении (осень 2017) источник

Андрей Созыкин Онлайн курс Программирование глубоких нейронных сетей на Python источник сайт, ютуб

Биофармкластер «Северный» Машинное обучение 11 лекций на тему ML источник ютуб, к сожалению отдельного плейлиста нет, поэтому придется лекции не найденные через поиск искать в общем плейлисте самому.

Курс на 9 недель от ВШЭ и Яндекса Practical Reinforcement Learning (сами видео лекций и практических семинаров на русском языке найдете в разделе Materials каждой недели) источник github

Информационный поиск (осень 2016) источник

Ивахненко А.А. Введение в теорию нейросетей и глубокое обучение источник

Python для анализа данных источник Coursera

Семинары по машинному обучению JetBrains Research источник

Онлайн курсы, видеокурсы по математике и статистике

  • Высшая школа экономики, курс Линейная алгебраисточник Coursera
  • Лекториум Линейная алгебра и аналитическая геометрияисточник ютуб
  • Лекторий МФТИ Линейная алгебраисточник
  • МФТИ, курс Теория вероятностей для начинающихисточник Coursera
  • МФТИ, курс Математика для всехисточник Coursera
  • Курс от Stepik Основы статистикичасть1,часть2, часть3
  • Курс от Stepik Математическая статистикаисточник
  • Курс от Stepik Введение в дискретную математикуисточник
  • Курс от Stepik Ликбез по дискретной математикеисточник
  • Курс от Stepik Введение в математический анализисточник
  • Курс от Stepik Математический анализчасть1, часть2
  • Курс от Stepik Анализ данных в Rчасть1, часть2
  • Computer Science Center Анализ данных на R в примерах и задачах (весна 2016) источник ютуб
  • Computer Science Center Анализ данных на R в примерах и задачах, часть 2 (весна 2017) источник ютуб
  • Канал на ютубе Основы анализа данныхисточник
  • KhanAcademyRussian Теор. вероятн-ей и комбинаторикаисточник ютуб
  • Алгебра (133видео) источник KhanAcademyRussian
  • Р.В. Шамин. Математический анализ - лекцииисточник
  • кружок от ФПМИ МФТИ Школа глубокого обученияютуб, github, git2

На любителя:

Статистика, теория вероятностей:

Гнеденко Б.В., Хинчин А.Я. Элементарное введение в теорию вероятностей источник

Владимир Савельев Статистика и котики источник, немного почитать

Сара Бослаф Статистика для всех источник

Чарльз Уилан Голая статистика. Самая интересная книга о самой скучной науке источник

Эндрю Брюс, Питер Брюс Практическая статистика для специалистов Data Science источник , оглавление и фрагмент книги

Дж. Хей Введение в методы байесовского статистического вывода источник

Перечень будет периодически дополняться.

Топ лучших бесплатных книг по машинному обучению:

The Elements of Statistical Learning: Data Mining, Inference, and Prediction. В этой книге авторы попытались объединить много важных новых идей, связанных со статистическим обучением. Хотя в книге не хватает математических деталей, авторы неплохо объясняют именно основы концептов. Книга пригодится не только специалистам по статистике, но и людям, работающим в смежных областях.

Introduction To Machine Learning. Цель этой книги — введение в индуктивное логическое программирование, раздел науки на стыке машинного обучения и логического программирования. Книга будет полезна тем, кто изучает принципы работы с базами данных, дата-инжиниринг, ИИ, машинное обучение и логическое программирование.

Reinforcement Learning: An Introduction. Обучение с подкреплением — это один из способов машинного обучения, в ходе которого испытуемая система взаимодействует с некоторой средой и стремится получить максимальную награду за свои действия. В этой книге разбираются ключевые аспекты этого вида обучения, его история и сферы применения. Порогом вхождения в эту книгу является лишь базовый уровень знания принципов вероятностной модели.

Information Theory, Inference, and Learning Algorithms. В этой книге рассказывается о теории информации и о статистическом выводе. Эти темы лежат в основе таких областей современной науки, как коммуникация, теория обработки сигналов, data mining, машинное обучение, биоинформатика, криптография и многих других. Авторы удачно сочетают теоретические объяснения с практическими примерами и заданиями.

Gaussian Processes for Machine Learning. Эта книга посвящена гауссовским процессам и вопросу обучения с учителем. В книге приведено много алгоритмов, также разбираются сферы применения ГП в машинном обучении и статистике, например, в методе опорных векторов, нейронных сетях, сплайнах и прочем.

Bayesian Reasoning and Machine Learning. Эта книга пригодится студентам старших курсов с небольшим багажом знаний по линейной алгебре и матанализу. Материал в книге идёт от простого к сложному, используются графические модели.

A Course in Machine Learning. В этой книге приведен набор вводных материалов по большинству основных аспектов машинного обучения (обучение с учителем и без учителя, вероятностное моделирование, теория обучения и т.д.).

Machine Learning, Neural and Statistical Classification. Цель этой книги — рассказать о современных подходах к классификации. Они сравниваются по производительности и областям применения в реальных случаях. Как видно из названия, таких подходов три: статистический метод, метод машинного обучения и метод нейронных сетей.

Introduction To Machine Learning. В этой книге рассматриваются многие важные вопросы машинного обучения с 2006 года. Это и не учебник, и не задачник: цель книги — подготовить читателя к дальнейшему освоению этой темы.

Real-world Machine Learning. Henri Brink, Joseph W. Richards, Mark Fetherolf в данной книге авторы пытаются показать практическое применение машинного обучения в обыденных задачах, привести примеры их решения и собрать все важные знания для начинающего.

📎📎📎📎📎📎📎📎📎📎