Odpowiedzi:
Jeśli potrzebujesz książki zorientowanej na aplikacje, zastanów się nad modelowym uczeniem maszynowym Christophera Bishopa . Ma więcej książek technicznych, które są dobrze oceniane.
Jeśli szukasz dużo kodu, opcja Probabilistic Programming & Bayesian Methods for Hackers jest opcją.
Kolejna książka wprowadzająca z wygiętą bardziej statystycznych Wprowadzenie do statystycznego uczenia się z aplikacjami w R . Znów autorzy mają dobrze przemyślaną techniczną wersję książki.
Kilka tygodni temu miałem to samo pytanie.
Osobiście uznałem, że O'Reilly's Python for Data Analysis jest bardzo przydatny w nauce podstaw. Książka zakłada, że masz trochę doświadczenia w programowaniu w języku Python, ale ma także dodatek z tyłu, aby zapoznać się z podstawami.
Autor na początku podaje szeroką gamę przykładów ze świata rzeczywistego (nie Monty Pythona), które możesz stworzyć w pierwszych kilku rozdziałach, a następnie szczegółowo opisuje każdą rzecz w miarę rozwoju książki.
Znalazłem instrukcje bardzo łatwe i krok po kroku. Mój profesor, który jest moim przewodnikiem, był pod wrażeniem tego, jak szybko się nauczyłem.
Słyszałem też dobre rzeczy o Kaggle.
Data Science in Cloud z Microsoft Azure Machine Learning and R to darmowy podręcznik, który szczegółowo omawia przykład. Nie zniechęcaj się poszczególnymi narzędziami, ponieważ nie potrzebujesz ich, aby czerpać korzyści z książki.
Innym, który mi się podobał, jest Programowanie Kolektywnej Inteligencji, która również szczegółowo omawia wiele projektów, w tym część dotyczącą przeglądania stron internetowych, nad którą prześwieca większość książek.
Mogę polecić tę kolekcję notesów Ipython, która zawiera notesy z komentarzem do nauki danych, statystyki i uczenia maszynowego.
https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks
Jednym z ciekawych wyjaśnień krok po kroku jest samouczek Kaggle i wywiady ze zwycięzcami . Często ludzie zamieszczają szczegółowe podsumowanie swojego podejścia.
Jedną z najlepszych książek, na jakie się natknąłem, jest Machine Learning in Python autorstwa Sebastiana Raschki. Proste przykłady, wyjaśnienia krok po kroku i odpowiednia ilość matematyki.
Struktura książki obejmuje cały proces, od czyszczenia danych po składanie i ocenę.
Spójrz na :
https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/
Jest to samouczek krok po kroku, który daje wyobrażenie o całym procesie eksploracji danych, analizy danych i budowania modelu predykcyjnego.
Objaśnienia dotyczące eksploracji danych i inżynierii funkcji (jak wybrać odpowiednie funkcje) znajdują się tutaj:
https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/
Zobacz tutaj pierwszych 5 zestawów danych, które zawierają samouczki i pracują nad nimi, aby uzyskać praktyczne doświadczenie:
Zobacz także:
http://machinelearningmastery.com/machine-learning-in-python-step-by-step/
gdzie korzysta z wielu modeli w jednym zestawie danych, co pozwoli na zrozumienie różnych modeli na poziomie podstawowym.
Aby dowiedzieć się więcej na temat wyboru modelu, spójrz na to:
https://www.quora.com/Data-Science-How-do-Data-Scientists-perform-model-selection
Powyższy link zawiera odpowiedzi udzielone przez osoby pracujące w terenie.
Aby uzyskać wgląd w różne zestawy danych, zawsze możesz zalogować się do kaggle i przejść przez konkursy oraz zapoznać się z szeroką gamą zestawów danych, w których masz dostęp do kodu ludzi w jądrach. Fora w Kaggle są pomocne, gdy ludzie dyskutują o używaniu różnych modeli problemów i ich podejściu.