Нейронные сети переживают второй ренессанс.
Сначала казалось, что сообщество, решив несколько прикладных задач, быстро переключится на другую модную тему.
Сейчас очевидно, что снижения интереса к нейронным сетям в ближайшем будущем не предвидится.
Исследователи находят новые способы использования технологий, а затем появляются стартапы, использующие нейронные сети в своих продуктах.
Должны ли эксперты, не связанные с машинным обучением, изучать нейронные сети? На этот вопрос каждый ответит сам.
Посмотрим на ситуацию с другой стороны — что делать разработчикам (да и всем остальным), которые хотят знать больше о методах распознавания образов, дискриминантном анализе, методах кластеризации и других интересных вещах, но не хотят тратить на это лишние ресурсы задача.
Поставить перед собой амбициозную цель и с головой погрузиться в онлайн-курсы — значит потратить много времени на изучение предмета, который, возможно, понадобится вам лишь для общего развития.
Есть один проверенный (ретроградный) метод, занимающий полчаса в день.
Книга – это оффлайн источник информации.
Книга не может похвастаться актуальностью, но за ограниченный период времени даст вам фундаментальное представление о технологии и о том, как ее можно реализовать под ваши нужды.
Проектирование нейронных сетей
Если у вас уже есть базовые знания в области машинного обучения и вы хотите двигаться вперед, авторы Neural Network Toolbox для MATLAB предлагают четкое и подробное погружение в основы архитектуры нейронных сетей и методы обучения.
Методы обучения приведены как для нейронных сетей.
прямое распространение (включая многослойные и радиальные сети), а также для рекуррентные сети .
Помимо книги вы можете получить иллюстрации и код для примеров ( Веб-сайт ).
Глубокое обучение (серия «Адаптивные вычисления и машинное обучение»)
Священная книга сверточных нейронных сетей и глубокого обучения — без шуток, это действительно важная книга, которую рекомендуют многие успешные разработчики… и не только они.
«Написанная тремя экспертами, книга «Глубокое обучение» — единственная всеобъемлющая книга в этой области», — сказал Илон Маск, и если вы верите в надежность автопилота Tesla и перспективность проекта OpenAI, то вы можете ей доверять.
:) Книга предлагает математические инструменты и фундаментальные основы, охватывающие линейную алгебру, теорию вероятностей и информации, численные методы и само машинное обучение.
Глубокое обучение описывает методы глубокого обучения, используемые практиками отрасли, включая сети глубокой прямой связи, алгоритмы оптимизации, сверточные сети, методы Монте-Карло, построение сетевых моделей и многое другое.
Кроме того, вы узнаете много интересного об обработке естественного языка, распознавании речи, компьютерном зрении, рекомендательных системах, биоинформатике и даже играх.
Легче сказать, чего нет в этой книге.
хотя это сложно - если вы что-то не найдете в 800 страницах, то есть и сайт книги с дополнительными материалами.
P.S. ?Электронная версия книги размещена в открытый доступ .
Нейронные сети: систематическое введение
Классика жанра, плодотворная работа 1996 года, относящаяся к эпохе до глубокого обучения.
Если вы хотите не просто познакомиться с предметом машинного обучения, но и стать специалистом в этой области, стоит познакомиться с таким взглядом на проблему.
Книга содержит меньше (по сравнению с другими книгами из этого сборника) чистой математики, вместо этого она пытается дать читателю интуитивное понимание концепции нейронных сетей.
Это сделано за счет глубины подхода — нет попыток сразу написать свою сеть; Автор сначала предлагает изучить теоретические законы и модели на примере биологии.
Не будем забывать, что у каждого человека своя нейронная сеть.
На простых примерах показано, как изменяются свойства моделей при введении общих вычислительных элементов и топологий сети.
Распознавание образов и машинное обучение (информатика и статистика)
Если вам понравилась предыдущая книга из сборника, вы можете подкрепить свои знания аналогичным концептуальным изданием 2006 года.
«Распознавание образов и машинное обучение» стало первым учебником по распознаванию образов, в котором был представлен байесовский метод (хотя сама формула Байеса была опубликована).
еще в 1763 г.
).
В книге представлены алгоритмы вывода, позволяющие быстро находить ответы в ситуациях, когда точные ответы невозможны.
Автор Кристофер Бишоп, директор лаборатории Microsoft Research в Кембридже, был первым, кто объяснил графические модели для описания вероятностных распределений.
P.S. В 2013 году Microsoft Research опубликовала в открытом доступе отдельную книгу.
Программирование коллективного разума
Одна из лучших книг по основам машинного обучения (в связке с Python), написанная за несколько лет до того, как нейронные сети приобрели культовый статус.
Но возраст ей не помеха — методы коллаборативной фильтрации, байесовская фильтрация и машины опорных векторов остаются актуальными.
Освещены принципы работы поисковых систем (поисковые роботы, индексы, механизмы запросов и алгоритм PageRank), алгоритмы оптимизации, факторизация неотрицательной матрицы и другие темы.
Создайте свою собственную нейронную сеть
Пошаговое путешествие по математике нейронных сетей к созданию собственных сеток с использованием Python. Большой плюс книги – низкие требования к знаниям читателя.
В области математики обязательны только школьные знания (без глубокого погружения).
Авторы поставили перед собой цель дать представление о нейронных сетях самому широкому кругу читателей.
Похвально, учитывая, сколько книг написано для продвинутых практиков.
Прочитав, вы сможете заняться главным: написать код на Python, создать свои нейронные сети, научив их распознавать разные изображения, и даже создавать решения на базе Raspberry Pi. Математика в книге тоже есть, но она не заставит вас вскрикнуть от ужаса (что возможно, если ваша сфера деятельности очень далека от алгоритмов) — математические идеи, лежащие в основе нейронных сетей, даны с большим количеством иллюстраций и примеров.
P.S. Если вы заинтересованы, но не можете учиться по книге, рекомендуем одноименный блог с большим количеством полезных статей.
Машинное обучение Python
«Машинное обучение на Python» — сборник полезных советов для начинающих специалистов по машинному обучению.
Почему Питон? Это то, чего хотел автор, просто ему нравится язык.
Себастьян Рашка объясняет самые общие понятия, дополняет их необходимым математическим аппаратом для понимания темы на внутрисистемном уровне, приводит примеры и объясняет способы реализации.
А также есть репозиторий на GitHub с общей информацией и примерами кода.
Планируется перевод книги на русский язык.
Обучение на данных
Эта книга кратко познакомит вас с миром машинного обучения.
Кроме того, читателям предоставляется бесплатный доступ к онлайн-главам, которые постоянно обновляются в соответствии с тенденциями в области машинного обучения.
Эта книга рекомендуется тем, кто только начал знакомиться с предметом и не понимает, что означает выражение «обучение на наборе данных».
Авторы поддерживают баланс между теоретической и практической частями машинного обучения.
Эта книга используется в качестве учебного пособия в Калифорнийском технологическом институте, Политехническом институте Ренсселера (США) и Национальном тайваньском университете.
Авторы также активно консультируются с финансовыми и коммерческими компаниями по вопросам применения машинного обучения.
Искусственный интеллект: современный подход
Популярная книга от известных авторов Стюарт Рассел И Питер Норвиг , который вышел уже в третьем издании.
Полное современное введение в теорию и практику искусственного интеллекта, предназначенное для студентов-первокурсников.
Книга используется в качестве введения в тему в огромном количестве курсов по науке о данных и искусственному интеллекту.
Если вас интересует использование нейронных сетей именно для создания искусственного интеллекта, вы можете начать свой путь в этой увлекательной и очень сложной области именно с нее.
Искусственный интеллект: современный подход открытый доступ .
Нейронные сети и глубокое обучение
Эта «книга» на самом деле не книга — у нее даже нет обложки.
Но вот действительно полноценная публикация, выложенная в открытый доступ (по ссылке выше).
Майкл Нильсен дает превосходное введение в нейронные сети в серии пошаговых примеров, охватывающих проблемы распознавания рукописных цифр.
Книга хорошо подойдет тем, кто уже имеет опыт работы в машинном обучении и хочет глубже углубиться в нейронные сети.
Заключение
Теперь даже программисты, почти ничего не знающие о технологии глубокого машинного обучения, могут использовать простые и эффективные инструменты для создания самообучающихся программ.Что касается книг по нейронным сетям на русском языке, то отзывы о них противоречивые.
«Нейронные сети.
Полный курс» Саймона Хайкина отличается повышенной сложностью и неоднозначным переводом (но если вы не против, можете прочитать).
Нам не удалось найти книгу того же уровня качества, что и другие издания в подборке.
Если можете что-то порекомендовать, пишите в комментариях.
Теги: #Машинное обучение #программирование #Обработка изображений #Профессиональная литература #глубокое обучение #нейронные сети #ИИ #книги #книги
-
Аракаст. Последний Из Аракаста
19 Oct, 24 -
Тестирование Пользовательского Интерфейса
19 Oct, 24 -
Хранение Конфигов Под Контролем Версий
19 Oct, 24 -
Китай В Который Раз Блокирует Youtube
19 Oct, 24 -
22 Инструмента Для Повышения Конверсии Сайта
19 Oct, 24 -
Анализ Посещаемости Сайтов Рунета
19 Oct, 24
