Este libro proporciona una descripción detallada de los métodos tradicionales de análisis de datos, como agrupación, clasificación y eliminación de ruido, y va acompañado de algoritmos y ejemplos detallados. Creo que después de leer los capítulos relevantes del libro, tendrá una comprensión más profunda de los métodos anteriores. Vale la pena mencionar que muchas escuelas también han citado este libro como libro de texto para estudiantes universitarios. Los lectores pueden obtener fácilmente varios materiales de aprendizaje de referencia durante el autoestudio y cambiar directamente el modo de aprendizaje de difícil a fácil.
Sin embargo, debido a que el libro se completó relativamente pronto y con el rápido desarrollo del aprendizaje automático en los últimos años, muchos de los contenidos involucrados parecen un poco simples hoy en día y no pueden reflejar bien las tecnologías más avanzadas en el campo del análisis de datos. Pero en general es un libro introductorio ideal para principiantes.
Después de estudiar el libro anterior "Minería de datos", en este momento tendrá algunos conceptos básicos simples de análisis de datos. Si aún quieres pasar al siguiente nivel, entonces "Machine Learning" de Zhou Zhihua es definitivamente una lectura avanzada que no te puedes perder.
Para resumir el aprendizaje automático del profesor Zhou Zhihua en una frase, probablemente sea "El profesor Zhou te enseña 10.000 formas de elegir una buena sandía". Dado que la antipatía por "Cómo elegir un buen melón" recorre todo el libro, e incluso la portada tiene una sandía impresa, la gente tiende a llamarlo cariñosamente "El libro de la sandía".
En comparación con los libros de texto anteriores, este libro obviamente impone mayores exigencias a los lectores. Por un lado, este libro se escribió más tarde y cubre una gama más amplia de métodos de aprendizaje automático. En los capítulos se presentan en detalle árboles de decisión, redes neuronales, máquinas de vectores de soporte, aprendizaje por refuerzo y otros métodos populares que todos escuchan a menudo. Por otro lado, el libro de Xigua involucra muchas fórmulas matemáticas y requiere que los lectores tengan cierta base en estadística y álgebra. Se necesita media hora para leer una fórmula, lo cual es algo realmente común. Pero no tienes por qué estar demasiado nervioso. El apéndice de este libro proporciona la derivación detallada de muchas fórmulas. Incluso si todavía está perdido después de leer el apéndice, al menos sabe qué palabras clave deben completarse cuando se utilizan motores de búsqueda (▹▽▹)... En general, este libro es una excelente manera de comprender mejor los datos actuales. Métodos de análisis, pasando por alto La mejor opción para obtener una imagen completa del aprendizaje automático. Puede elegir capítulos relevantes según sus intereses.
En ese momento, me pareció escuchar a algunos lectores murmurar: "Habiendo dicho tanto, ¿cuándo podré transmitir la magia de crear IA?". "De hecho, cuando se trata de análisis de datos hoy en día, si no hablas de Internet, te da vergüenza contarles a otros que has estado involucrado en este campo. Entonces, recomiendo aquí un libro introductorio sobre redes neuronales.
De hecho, las redes neuronales son una rama de los métodos de aprendizaje automático. El concepto de "perceptrón" existe desde la década de 1950. Unir los perceptrones es un "perceptrón multicapa", pero era limitado. Por la potencia informática de la computadora en ese momento, el uso de perceptrones multicapa para manejar algunos problemas simples no podía construir redes profundas, por lo que la investigación relacionada se había enfriado rápidamente. Hasta cierto punto, los perceptrones y los perceptrones multicapa son prototipos de neuronas. y redes neuronales.
En 2016, AlphaGo de Google derrotó a Lee Sedol. La gente se sorprendió repentinamente al descubrir que la potencia informática actual podría soportar redes neuronales para realizar un trabajo tan complejo. Como resultado, se reavivó la investigación en campos relacionados. y continúa hasta el día de hoy. La teoría básica no es complicada y se puede resumir como “Siempre que haya suficientes neuronas, una capa de red de alimentación es suficiente para adaptarse a cualquier función. "¿De qué sirve esta teoría? Por ejemplo, si te comparan con una función, entonces la información que percibes del mundo exterior es la entrada de la función y tu reacción es la salida de la función. Entonces, en teoría, siempre que puedas ajustar una función con suficiente precisión, puedes crearla tú mismo. ¿Qué te parece?
Bien, despertemos del sueño y leamos este libro. Sabrás que encajar es "preciso". La función es algo que requiere mucha teoría y habilidades.
En cuanto a comenzar, recomiendo encarecidamente el libro "Neural Networks and Deep Learning (/details)" escrito por Michael Nielsen. Intente leerlo en dos semanas;
El proceso de derivación de fórmulas clave es muy. detallado, lo que facilita a los lectores comprender las connotaciones de retropropagación, fuga y otros principios;
Aprovechando al máximo los libros en línea, inserte algunas pequeñas interfaces en ejecución en la página para informar vívidamente a los lectores Explica los diversos mecanismos de el funcionamiento subyacente de las redes neuronales;
Lo que es aún más valioso es que el libro incluye varios ejemplos de cálculo de redes neuronales. Creo que obtendrá ganancias inesperadas si intenta modificar el código usted mismo.