Książka do czytania przed elementami uczenia statystycznego?

Na podstawie tego postu chcę przeanalizować elementy uczenia statystycznego. Na szczęście jest dostępny za darmo i zacząłem go czytać.

Nie mam wystarczającej wiedzy, aby to zrozumieć. Czy możesz polecić książkę, która jest lepszym wprowadzeniem do tematów książki? Mam nadzieję, że coś, co da mi wiedzę potrzebną do zrozumienia tego?

Związane z:

Czy silne doświadczenie matematyczne to całkowity wymóg ML?

Kupiłem, ale jeszcze nie przeczytałem

S. Marsland, Machine Learning: An Algorytmic Perspective , Chapman & Hall, 2009.

Jednak recenzje są pozytywne i stwierdzają, że są bardziej odpowiednie dla początkujących niż inne książki ML o większej głębi. Przewracając strony, wydaje mi się, że jestem dla mnie dobry, ponieważ mam małe doświadczenie matematyczne.

Autorzy Elements of Statistics Learning opublikowali nową książkę (sierpień 2013 r.) Skierowaną do użytkowników bez dużego tła matematycznego. Wprowadzenie do uczenia statystycznego: z aplikacjami w języku R

Bezpłatną wersję PDF tej książki można obecnie znaleźć tutaj .

Programowanie kolektywnej inteligencji uważam za najłatwiejszą książkę dla początkujących, ponieważ autor Toby Segaran koncentruje się na tym, aby środkowy twórca oprogramowania mógł jak najszybciej ubrudzić swoje ręce hakowaniem danych.

Typowy rozdział: Problem danych jest jasno opisany, a następnie z grubsza wyjaśnione, jak działa algorytm, a na koniec pokazuje, jak stworzyć pewne spostrzeżenia za pomocą zaledwie kilku wierszy kodu.

Zastosowanie Pythona pozwala zrozumieć wszystko dość szybko (nie trzeba znać Pythona, tak naprawdę, nie znałem go też wcześniej). NIE myśl, że ta książka koncentruje się tylko na tworzeniu systemu rekomendacji. Zajmuje się także eksploracją tekstu / filtrowaniem spamu / optymalizacją / klastrowaniem / sprawdzaniem poprawności itp., A zatem zapewnia uporządkowany przegląd podstawowych narzędzi każdego eksploratora danych.

Rozdział 10 dotyczy nawet danych giełdowych, ale nie skupia się na eksploracji szeregów czasowych. Być może jedyna wada (dla ciebie) tej doskonałej książki.

Wstęp do uczenia maszynowego , E. Alpaydin (MIT Press, 2010, wyd. 2), obejmuje wiele tematów z ładnymi ilustracjami (podobnie jak Bishop's Pattern Recognition and Machine Learning ).

Ponadto Andrew W. Moore ma kilka ciekawych samouczków na temat eksploracji danych statystycznych .

Być może wszystkie statystyki Wassermana byłyby interesujące. Możesz spróbować książki z podanego linku - i tylko kilka pierwszych akapitów przedmowy stanowi trudną sprzedaż na twoim rynku - i prawdopodobnie możesz pobrać książkę bezpłatnie przez Springera, jeśli jesteś związany z uniwersytetem.

EDYCJA: Ups, nie zauważyłem, jak starożytny był ten wątek.

Elementy uczenia statystycznego mogą być trudne do odczytania, szczególnie dla osób samouczących się. Szukając wyjaśnień w drugim rozdziale natknąłem się na następujący zasób: https://waxworksmath.com/Authors/G_M/Hastie/WriteUp/Weatherwax_Epstein_Hastie_Solution_Manual.pdf . Zawiera ponad 100 stron adnotacji i wyjaśnień, które wyjaśniają niektóre skomplikowane momenty książki. Świetne źródło informacji dla wszystkich czytających tę książkę. Ten uzupełniający tekst zawiera rozwiązania do ćwiczeń.

Zdecydowanie polecam Pierwszy kurs uczenia maszynowego autorstwa Rogersa i Girolami. Obejmuje kluczowe pomysły w bardzo logicznej kolejności, z dobrymi przykładami i minimalnym poziomem matematyki, aby mieć właściwe podstawy w podstawach. Nie ma zasięgu niektórych książek, ale właśnie dlatego jest tak dobry jak tekst wprowadzający.

Kolejną bardzo interesującą książką jest Bayesian Reasoning i Machine Learning autorstwa Davida Barbera. Książka jest dostępna do bezpłatnego pobrania ze strony autora: http://www.cs.ucl.ac.uk/staff/d.barber/brml/