从入门到头秃,2018年机器学习图书TOP10

2018 年 12 月 8 日 新智元
从入门到头秃,2018年机器学习图书TOP10




  新智元推荐  

来源:大数据

作者:数据叔

【新智元导读】2018年是AI的年代,2019不出意外应该同样是AI的年代。2018年中国AI岗缺口1万多,2019年这个缺口可能会更大。要想在AI的年代大鹏展翅,就得玩转机器学习。这里为大家精选了10本机器学习畅销书,希望能够对大家有所帮助。


1.《机器学习实战:基于Scikit-Learn和TensorFlow》



作者:[法]奥雷利安·杰龙

出版时间:2018年8月


美国亚马逊“人工智能”图书畅销榜首图书!


通过具体的例子、非常少的理论和两个成熟的Python框架——Scikit-learn和 TensorFlow,帮助你直观地理解与掌握构建智能系统的概念和工具。


你将学习一系列技术,从简单的线性回归到深度神经网络等。每章的习题帮助你运用学到的知识,你所需要的只是一点编程经验,仅此而已。


通过本书你将学习:


  • 探索机器学习的全景图,特别是神经网络。

  • 使用Scikit-Learn来端到端地建立一个机器学习项目的示例。

  • 探索多种训练模型,包括支持向量机、决策树、随机森林和集成方法。

  • 使用TensorFlow库建立和训练神经网络。

  • 深入神经网络架构,包括卷积网络、递归网络和深度强化学习。

  • 学习训练和伸缩深度神经网络的技巧。

  • 应用可以工作的代码示例,而无须过多的机器学习理论或算法细节。


2. 《分布式机器学习:算法、理论与实践》



作者:刘铁岩,陈薇,王太峰,高飞

出版时间:2018年10月


微软亚洲研究院机器学习核心团队潜心力作!鄂维南院士、周志华教授倾心撰写推荐序!


人工智能和大数据时代,分布式机器学习解决了大量最具挑战性的问题,《分布式机器学习:算法、理论与实践》全面分析了分布式机器学习的现状,深入分析其中核心问题,讨论该领域的未来发展方向。


3. 《TensorFlow学习指南:深度学习系统构建详解》




作者:[以] 汤姆·奥普

出版时间:2018年6月


面向广泛的技术受众(从数据科学家、工程师到学生和研究人员),本书介绍了TensorFlow的基本原理和实践方法。


从TensorFlow中的一些基本示例开始,深入探讨诸如神经网络体系结构、TensorBoard可视化、TensorFlow抽象库和多线程输入管道等主题。


阅读本书,你将习得如何使用TensorFlow构建和部署工业级深度学习系统。 


通过阅读本书,你将:


  • 轻松愉快地安装并运行TensorFlow。

  • 学习如何使用TensorFlow从头开始构建深度学习模型。

  • 训练流行的计算机视觉和NLP深度学习模型。

  • 使用抽象库来使开发更容易和更快速。

  • 学习如何扩展TensorFlow并使用集群分布式训练模型。

  • 在生产环境中部署TensorFlow。


4. 《利用Python进行数据分析(原书第2版)》



作者:[美] 韦斯·麦金尼(Wes McKinney)

出版时间:2018年8月


Python数据分析经典畅销书全新升级!基于Python3.6。


本书主要内容:


  • 全部代码更新

  • 更新到Python3.6版本(第1版中使用的是Python2.7)

  • 更新了Python第三方发布版Anaconda和其他所需Python包的安装指引

  • 更新pandas库到2017年新版

  • 新增关于更多高级pandas工具和一些使用提示

  • 新增statsmodels和scikit-learn的简明使用介绍

  • 新增大量案例


5. 《基于深度学习的自然语言处理》



作者:约阿夫·戈尔德贝格(Yoav Goldberg)

出版时间:2018年5月


将深度学习技术应用于自然语言处理的实用指南。


由哈尔滨工业大学NLP核心团队倾心推荐并翻译。


本书系统阐述将深度学习技术应用于自然语言处理的方法和技术,深入浅出地介绍了深度学习的基本知识及各种常用的网络结构,并重点介绍了如何使用这些技术处理自然语言。


6. 《Python机器学习(原书第2版)》



作者:塞巴斯蒂安·拉施卡,瓦希德·米

出版时间:2018年12月


本书将机器学习背后的基本理论与应用实践联系起来,通过这种方式让读者聚焦于如何正确地提出问题、解决问题。书中讲解了如何使用Python的核心元素以及强大的机器学习库,同时还展示了如何正确使用一系列统计模型。


在本书第1版的基础上,作者对第2版进行了大量更新和扩展,纳入最近的开源技术,包括scikit-learn、Keras和TensorFlow,提供了使用Python构建高效的机器学习与深度学习应用的必要知识与技术。


通过阅读本书,你将学到:


  • 探索并理解数据科学、机器学习与深度学习的主要框架

  • 通过机器学习模型与神经网络对你的数据提出新的疑问

  • 在机器学习中使用最近Python开源库的强大功能

  • 掌握如何使用TensorFlow库来实现深度神经网络

  • 在可访问的Web应用中嵌入你的机器学习模型

  • 使用回归分析预测连续目标的结果

  • 使用聚类发现数据中的隐藏模式与结构

  • 使用深度学习技术分析图片

  • 使用情感分析深入研究文本与社交媒体数据



7. 《Python深度学习:基于TensorFlow》




作者:吴茂贵,王冬,李涛,杨本法

出版时间:2018年10月


Python是目前人工智能领域普遍使用的基础性技术和工具,TensorFlow是当下主流的深度学习框架,本书基于Python和TensorFlow,从理论到实践,是一本全栈式的深度学习指南,书中基础和理论讲解全面,原理和拓展分析深入,应用和实践也极具实战性,是多位人工智能和大数据领域的专家多年经验的结晶。


8. 《Python数据科学:技术详解与商业实践》



作者:常国珍,赵仁乾

出版时间:2018年7月


这是一本以Python为工具,以商业实战为导向的数据科学家养成手册,从技术、业务、商业实战3个维度为有志成为数据科学家的读者提供了系统化的学习路径。


3位作者是数据科学和金融领域的资深专家,不仅技术精湛、经验丰富,而且在本书的写作上也颇下功夫:首先,将数学和算法等复杂的技术用图形化的方式来展现,尽可能降低读者的理解难度;其次,本书不是一本教科书或案例集,而是针对数据科学家的能力模型提供系统化的解决方案。


9. 《统计机器学习导论》



作者:[日] 杉山将

出版时间:2018年5月


本书对机器学习的关键知识点进行了全面讲解,帮助读者顺利完成从理论到实践的过渡。书中首先介绍用于描述机器学习算法的统计与概率的知识,接着详细分析机器学习技术的两类主要方法——生成方法和判别方法,深入研究了如何使机器学习算法在实际应用中发挥更大的作用。


本书提供程序源代码,便于读者进行数据分析实践。本书适合高等院校计算机、统计等专业的研究生和高年级本科生阅读,同时也适合相关领域的技术人员参考。


10. 《深度学习之TensorFlow:入门、原理与进阶实战》



作者:李金洪

出版时间:2018年2月


磁云科技创始人/京东终身荣誉技术顾问李大学推荐。创客总部/创客共赢基金合伙人李建军推荐。


一线研发工程师以14年开发经验的视角全面解析TensorFlow应用,涵盖数值、语音、语义、图像等多个领域96个有较高应用价值的深度学习案例。赠送12套同步配套教学视频 + 113套源代码文件(带配套样本)。


内容全面,应用性强,从有监督学习到半监督学习,从简单的数据分类到语音、语言和图像分类乃至样本生成等一系列前沿技术,均有介绍。语言通俗易懂,拒绝生僻的术语,拒绝生僻的公式符号,落地性强。


穿插了几十个需要读者注意的知识要点和难点,分享作者积累的宝贵经验。


本文授权转载自:大数据(ID: hzdashuju)


【加入社群】


新智元 AI 技术 + 产业社群招募中,欢迎对 AI 技术 + 产业落地感兴趣的同学,加小助手微信号:aiera2015_2  入群;通过审核后我们将邀请进群,加入社群后务必修改群备注(姓名 - 公司 - 职位;专业群审核较严,敬请谅解)。


登录查看更多
11

相关内容

Scikit-learn项目最早由数据科学家David Cournapeau 在2007 年发起,需要NumPy和SciPy等其他包的支持,是Python语言中专门针对机器学习应用而发展起来的一款开源框架。

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
176
小贴士
相关资讯
相关论文
WaveTTS: Tacotron-based TTS with Joint Time-Frequency Domain Loss
Rui Liu,Berrak Sisman,Feilong Bao,Guanglai Gao,Haizhou Li
3+阅读 · 2020年4月6日
Ramchandra Joshi,Purvi Goel,Raviraj Joshi
4+阅读 · 2020年1月19日
Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context
Zihang Dai,Zhilin Yang,Yiming Yang,William W. Cohen,Jaime Carbonell,Quoc V. Le,Ruslan Salakhutdinov
3+阅读 · 2019年1月9日
Peifeng Wang,Jialong Han,Chenliang Li,Rong Pan
6+阅读 · 2018年11月4日
A Memory-Network Based Solution for Multivariate Time-Series Forecasting
Yen-Yu Chang,Fan-Yun Sun,Yueh-Hua Wu,Shou-De Lin
7+阅读 · 2018年9月6日
Abhishek Kumar,Daisuke Kawahara,Sadao Kurohashi
3+阅读 · 2018年5月20日
Hemayet Ahmed Chowdhury,Tanvir Alam Nibir,Md. Saiful Islam
8+阅读 · 2018年3月22日
Minghui Liao,Zhen Zhu,Baoguang Shi,Gui-song Xia,Xiang Bai
12+阅读 · 2018年3月14日
Iulian V. Serban,Chinnadhurai Sankar,Mathieu Germain,Saizheng Zhang,Zhouhan Lin,Sandeep Subramanian,Taesup Kim,Michael Pieper,Sarath Chandar,Nan Rosemary Ke,Sai Rajeswar,Alexandre de Brebisson,Jose M. R. Sotelo,Dendi Suhubdy,Vincent Michalski,Alexandre Nguyen,Joelle Pineau,Yoshua Bengio
10+阅读 · 2018年1月20日
Top