Clever Geek Handbook

7 livres gratuits que tout scientifique des données devrait lire



L'auto-éducation est peut-être l'une des voies et des processus les plus difficiles pour un adulte. Avec autant de distractions, il est difficile de se résoudre à suivre (surtout si la motivation n'est pas claire). Mais l'auto-éducation en tant qu'évolution fait partie intégrante de la vie de tout professionnel ou de quiconque souhaite le devenir. Dans ce cas, les livres peuvent devenir le même coup qui tue deux oiseaux d'une pierre, vous grandissez tous les deux en tant que spécialiste et ne «tombez pas hors de la vie». L'auteur du matériel a sélectionné 7 livres électroniques gratuits pour vous aider à apprendre la science des données et le ML.



1. Apprentissage en profondeur







Par Ian Goodfellow, Joshua Bengio et Aaron Courville.

Deep Learning a été publié pour la première fois en 2016. C'était l'un des premiers livres consacrés à l'apprentissage profond. Le livre a été écrit par une équipe de chercheurs exceptionnels qui étaient à la pointe du développement à l'époque. Ce travail dans le domaine des réseaux de neurones reste influent et respecté. Le travail présenté est un traité théorique sur l'apprentissage en profondeur, des concepts de base aux idées modernes telles que les réseaux génératifs complexes et l'application de l'apprentissage automatique dans les entreprises et au-delà. Ce livre est une explication détaillée et mathématique du domaine de la science. Si vous souhaitez acquérir une large connaissance de base des éléments les plus avancés de ce domaine, ce livre est pour vous.



2. Plongez dans le Deep Learning







Par Aston Zhang, Zach K. Lipton, Moo Li, Alex J. Resin

Dive Into Deep Learning est un livre interactif d'apprentissage profond avec du code, des mathématiques et des commentaires. Il montre les implémentations dans NumPy, MXNet, PyTorch et TensorFlow. Les auteurs sont des employés d'Amazon qui utilisent la bibliothèque Amazon MXNet pour enseigner l'apprentissage en profondeur. Le livre est mis à jour régulièrement, alors assurez-vous de lire la dernière révision.



Zachary Lipton sur le livre:

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




3. Machine Learning Yearning







Auteur: Andrew Eun.

Ce livre a été écrit par Andrew Ng, professeur à l'Université de Stanford et pionnier de l'éducation en ligne. Andrew est l'un des fondateurs de Coursera et deeplearning.ai .

Machine Learning Yearning vous apprend à faire fonctionner les algorithmes d'apprentissage automatique, mais pas les algorithmes eux-mêmes. Il identifie les domaines les plus prometteurs pour le projet d'IA. Ce livre est un joyau pour vous aider à résoudre des problèmes pratiques tels que le diagnostic d'erreurs dans les systèmes d'apprentissage automatique. Elle vous apprendra comment appliquer l'apprentissage de bout en bout, l'apprentissage par transfert, l'apprentissage multitâche et plus encore.



4. Apprentissage automatique interprétable







Auteur: Christoph Molnar.

Techniquement, ce livre n'est pas gratuit. Il est vendu selon le principe du paiement à ce que vous voulez.

L'apprentissage automatique interprétable se concentre sur les modèles d'apprentissage automatique pour les données tabulaires (également appelées données relationnelles ou structurées) et met moins l'accent sur la vision par ordinateur et les tâches de traitement du langage naturel. Ce livre est recommandé aux experts en apprentissage automatique, aux scientifiques des données, aux statisticiens et à toute personne intéressée par l'interprétation des modèles d'apprentissage automatique. Il détaille comment sélectionner et appliquer les meilleures techniques d'interprétation d'apprentissage automatique dans votre projet.



5. Méthodes bayésiennes pour les hackers







Publié par Cameron Davidson.

Méthodes bayésiennes pour les hackers Le livre se concentre sur un domaine important de la science des données appelé inférence bayésienne . Bayesian Methods for Hackers est conçu comme une introduction à l'inférence bayésienne en termes de compréhension d'abord, de calcul et de mathématiques ensuite. Le livre s'adresse aux passionnés qui n'ont pas une formation mathématique sérieuse, mais qui pratiquent les méthodes bayésiennes. Pour ces personnes, ce texte devrait être suffisamment intéressant. Ce livre est également une excellente ressource pour apprendre PyMC, un langage de programmation Python probabiliste.



6. Manuel de science des données Python







Publié par Jake Vanderplace.

Le manuel de science des données Python est destiné aux jeunes scientifiques des données. Il vous montre comment travailler avec les outils les plus importants, notamment IPython, NumPy, Pandas, Matplotlib, Scikit-Learn et bien d'autres. Ce livre est idéal pour résoudre des tâches quotidiennes telles que le nettoyage, la manipulation et la transformation de données, ainsi que pour créer des modèles d'apprentissage automatique.



7. Une introduction à l'apprentissage statistique







Par Gareth James, Daniela Witten, Trevor Hasti et Robert Tibshirani.

Une introduction à l'apprentissage statistique est une introduction aux méthodes d'apprentissage statistique. Le livre est destiné aux étudiants seniors, à la maîtrise et aux étudiants diplômés des sciences non mathématiques. Il contient un certain nombre de laboratoires en R avec des explications détaillées sur la façon d'implémenter diverses méthodes dans des environnements réels. Ce texte devrait être une ressource précieuse pour le spécialiste des données.



image

Vous pouvez obtenir une profession demandée à partir de zéro ou augmenter vos compétences et votre salaire en suivant des cours en ligne SkillFactory:





E






More articles:


All Articles