05.10.2020 12:54
skillfactory_school 4 4900 Источник


Самообразование — пожалуй, один из самых сложных путей и процессов для взрослого человека. Когда вокруг столько отвлекающих факторов, уже трудно заставить себя довести дело до конца (особенно если мотивация неочевидна). Но самообразование как эволюция — это неотъемлемый элемент жизни любого профессионала или того, кто хочет им стать. Книги в этом случае могут стать тем самым выстрелом, которым убиваются два зайца, вы и растете как специалист, и не «выпадаете из жизни». Автор материала подобрал 7 бесплатных электронных книг, которые помогут вам изучать Data Science и ML.

1. Deep Learning




Авторы: Ян Гудфеллоу, Йошуа Бенжио и Аарон Курвиль.
Deep Learning впервые издана в 2016 году. Она была одной из первых книг, посвященных глубокому обучению. Книга написана командой выдающихся исследователей, в то время стоявших в авангарде разработок. Эта работа в области нейронных сетей остается влиятельной и уважаемой. Представленный труд — теоретический трактат по глубокому обучению, от базовых концепций до современных идей, типа сложных генеративных сетей и применения машинного обучения в бизнесе и за его пределами. Эта книга — подробное, основанное на математике объяснение области науки. Если вы хотите получить обширные базовые знания о самых передовых элементах этой области — эта книга для вас.

2. Dive Into Deep Learning




Авторы: Астон Чжан, Зак К. Липтон, Му Ли, Алекс Дж. Смола
Dive Into Deep Learning — интерактивная книга по глубокому обучению с кодом, математикой и комментариями. В ней показаны реализации на NumPy, MXNet, PyTorch и TensorFlow. Авторы — сотрудники Amazon, которые используют библиотеку Amazon MXNet, чтобы научить глубокому обучению. Книга регулярно обновляется, поэтому убедитесь, что вы читаете последнюю редакцию.

Захари Липтон о книге:
Что делает Dive into Deep Learning (D2K) уникальной? Мы так далеко зашли с идеей обучения через действия, что вся книга состоит из исполняемого кода. Мы постарались объединить лучшие стороны учебника (ясность и математику) с лучшими сторонами практических руководств (приобретаемые навыки, справочный код, уловки реализации и интуитивный подход). Каждый раздел в главе учит одной ключевой идее с помощью нескольких модальностей: текста, математики и кода, который можно легко понять и изменить, чтобы быстро начать проект. Мы считаем, что такой подход необходим в преподавании глубокого обучения. Большая часть основных знаний в глубоком обучении получена в результате экспериментов, а не из основных принципов.


3. Machine Learning Yearning




Автор: Эндрю Ын.
Эта книга написана Эндрю Ыном, профессором Стэнфордского университета и пионером онлайн-образования. Эндрю один из основателей Coursera и deeplearning.ai.
Machine Learning Yearning научит вас тому, как заставить алгоритмы машинного обучения работать, но не самим алгоритмам. В ней определены наиболее перспективные направления для проекта AI. Эта книга — жемчужина, которая поможет вам на практике решить проблемы, такие как диагностика ошибок в системах машинного обучения. Она научит применять сквозное обучение, трансфертное обучение, многозадачное обучение и не только.

4. Interpretable Machine Learning




Автор: Кристоф Мольнар.
Технически эта книга не бесплатна. Она продаётся по принципу «плати сколько хочешь».
Interpretable Machine Learning фокусируется на моделях машинного обучения для табличных данных (также называемых реляционными или структурированными данными) и уделяет меньше внимания задачам компьютерного зрения и обработки естественного языка. Книгу рекомендуется читать специалистам по машинному обучению, специалистам по обработке данных, статистикам и всем, кто интересуется интерпретацией моделей машинного обучения. В ней подробно описано, как выбирать и применять лучшие методы интерпретации машинного обучения в вашем проекте.

5. Bayesian Methods for Hackers




Автор: Кэмерон Дэвидсон.
Bayesian Methods for Hackers книга посвящена важной области науки о данных, которая называется байесовский вывод. Bayesian Methods for Hackers разработана как введение в байесовский вывод с точки зрения, прежде всего, понимания, а уж затем вычислений и математики. Книга нацелена на энтузиастов, не имеющих серьезной математической базы, но практикующих байесовские методы. Для таких людей этот текст должен быть достаточно интересным. Также эта книга — отличный ресурс для изучения PyMC, вероятностного языка программирования на Python.

6. Python Data Science Handbook




Автор: Джейк Вандерплас.
Python Data Science Handbook ориентирована на молодых специалистов по анализу данных. Она показывает, как работать с самыми важными инструментами, включая IPython, NumPy, Pandas, Matplotlib, Scikit-Learn и многие другие. Эта книга идеально подходит для решения повседневных задач, таких как очистка, обработка и преобразование данных, а также для построения моделей машинного обучения.

7. An Introduction to Statistical Learning




Авторы: Гарет Джеймс, Даниэла Виттен, Тревор Хасти и Роберт Тибширани.
An Introduction to Statistical Learning представляет из себя введение в методы статистического обучения. Книга предназначена для студентов старших курсов, магистров и аспирантов нематематических наук. Она содержит ряд лабораторных работ на R с подробными объяснениями того, как реализовать различные методы в реальных условиях. Этот текст должен быть ценным источником для практикующего специалиста по данным.

image

Получить востребованную профессию с нуля или Level Up по навыкам и зарплате, можно, пройдя онлайн-курсы SkillFactory:


Eще курсы