Buchempfehlungen Für 2021 | 15 Hoch Bewertete KI-Bücher, Alle Kostenlos Zu Lesen
Derzeit gibt es eine ganze Reihe Bücher zum Thema künstliche Intelligenz auf dem Markt. Wie soll ich als Liebhaber künstlicher Intelligenz die Buchliste auswählen? Zu Beginn des neuen Jahres hat KDnuggets eine Liste mit KI-Büchern zusammengestellt. Bitte verwenden Sie diese nach Bedarf.
KDnuggets, eine Top-Website mit Schwerpunkt auf maschinellem Lernen, Big Data und Analytik, hat kürzlich eine Liste mit 15 Büchern zu den Themen maschinelles Lernen, NLP, Datenwissenschaft und anderen Bereichen zusammengestellt. Die Autoren der Bücher sind allesamt Spitzenwissenschaftler und Forscher auf dem Gebiet der künstlichen Intelligenz.
Egal, ob Sie Anfänger sind und gerade erst mit künstlicher Intelligenz anfangen oder bereits über einige Kenntnisse der Technologie verfügen, in dieser Liste gibt es immer ein Buch, das zu Ihnen passt. Alle Bücher können kostenlos online gelesen werden, was sehr schön ist.
1. Data Science und maschinelles Lernen: Mathematische und statistische Methoden
Autoren: DP Kroese, ZI Botev, T. Taimre und R. Vaisman
Einleitung: Dies ist ein sehr praktisches Buch.Der Schwerpunkt liegt auf der Durchführung von Data Science und der Implementierung von Machine-Learning-Modellen mit Python.Es erklärt die relevanten Theorien sehr gut und führt bei Bedarf in die notwendigen mathematischen Operationen ein, wodurch ein gutes Tempo für den gesamten Artikel vorgegeben wird.
Leseadresse:
2. Text Mining: Praktische Tools basierend auf der Sprache R
Von Julia Silge und David Robinson
Einleitung: Text Mining ist eine Computerverarbeitungstechnologie, die wertvolle Informationen und Erkenntnisse aus Textdaten extrahiert. Es ist auch ein heißes Thema in der Verarbeitung natürlicher Sprache.
Dieses Buch bietet hauptsächlich eine Einführung in das Text Mining und die Analyse aufgeräumter Daten. Alle Codes sind in der Sprache R geschrieben, was für Anfänger in der Sprache R sehr gut geeignet ist.
Das Buch ist in neun Kapitel unterteilt und stellt die Verwendung praktischer R-basierter Tools zur Textanalyse vor. Tidy Data verfügt über eine einfache und neuartige Struktur, die die Analyse effizienter und einfacher macht.
Leseadresse:
https://github.com/dgrtwo/tidy-text-mining
3. Kausales Denken: Was wäre wenn
Autor: Miguel Hernán, Jamie Robins
Einführung:Dieses Buch der Professoren Miguel Hernan und Jamie Robins von der Harvard University erklärt systematisch die Konzepte und Methoden des kausalen Denkens.Dieses Buch war auf großen Plattformen wie Zhihu sehr gefragt und wurde von vielen Ökonometrikern lange erwartet.
Kausales Denken ist ein komplexes, allumfassendes Thema, aber die Autoren haben ihr Bestes getan, um die ihrer Ansicht nach grundlegendsten Aspekte auf etwa 300 Seiten zusammenzufassen. Wenn Sie daran interessiert sind, Ihre eigene konzeptionelle Grundlage zu schaffen, könnte dieses Buch Ihre erste Wahl sein.
Leseadresse:
4. Statistik mit Julia: Grundlagen der Datenwissenschaft, maschinelles Lernen und künstliche Intelligenz
Autor: Yoni Nazarathy, Hayden Klok
Einleitung: Dieses Buch führt in Kapitel 2 in statistische Konzepte ein.Ab diesem Kapitel bauen diese Konzepte aufeinander auf.Es werden auch fortgeschrittenere Themen wie statistische Inferenz, Konfidenzintervalle, Hypothesentests, lineare Regression, maschinelles Lernen usw. vorgestellt.
Der Autor des Buches sagte, dass dies die Ressource sei, auf die er gewartet habe, um effektiv Julia Data Science auf die Art und Weise zu lernen, wie er es sich immer gewünscht habe, und er hofft, dass es auch Ihrem Geschmack entspricht.
Leseadresse:
5. Data Science Grundlagen
Autoren: Avrim Blum, John Hopcroft, Ravindran Kannan
Zusammenfassung: In vielen zeitgenössischen Büchern wird die Datenwissenschaft auf eine Reihe von Programmiertools reduziert, die, wenn man sie beherrscht, versprechen, die Datenwissenschaft für einen zu erledigen.
In anderen Büchern wurde historisch gesehen offenbar wenig Wert auf die grundlegenden Konzepte und die Theorie der Trennung vom Code gelegt. Dieses Buch ist ein großartiges Beispiel dafür, wie man sich gegen diesen Trend stellt, und es besteht kein Zweifel daran, dassDieses Buch vermittelt Ihnen eine solide Grundlage und das theoretische Wissen, das Sie für eine Karriere in der Datenwissenschaft benötigen.
Leseadresse:
6. Maschinelles Lernen verstehen: Von der Theorie zu Algorithmen
Autor: Shai Shalev-Shwartz, Shai Ben-David
Einleitung: Sobald der potenzielle Schock der mathematiklastigen Theorie abgeklungen ist,Sie werden feststellen, dass Themen vom Bias-Varianz-Kompromiss über lineare Regression, Modellvalidierungsstrategien, Modell-Boosting, Kernelmethoden bis hin zu Vorhersageproblemen ausführlich behandelt werden.Der Vorteil einer derart gründlichen Behandlung besteht darin, dass Ihr Verständnis tiefer geht als nur durch das Erfassen abstrakter Intuition.
Leseadresse:
7. Natürliche Sprachverarbeitung mit Python
Autor: Steven Bird, Ewan Klein, Edward Loper
Einführung: Dieses Buch beginnt mit einer Beschreibung von NLP, stellt vor, wie man mit Python einige NLP-Programmieraufgaben durchführt und wie man auf Inhalte in natürlicher Sprache zur Verarbeitung zugreift, und wendet sich dann anspruchsvolleren Konzepten zu, darunter Konzepte (NLP) und Programmierung (Python).
bald,Es umfasst Klassifizierung, Textkategorisierung, Informationsextraktion und andere Themen, die allgemein als klassische Verarbeitung natürlicher Sprache gelten.
Nachdem Sie durch dieses Buch die Grundlagen des NLP verstanden haben, können Sie zu moderneren und innovativeren Techniken übergehen.
Leseadresse:
8. Deep Learning durch Coder mit Fastai und PyTorch
Von Jeremy Howard und Sylvain Gugger
Einleitung: Jeremy Howard, einer der Autoren dieses Buches, ist der ehemalige Vorsitzende und Chefwissenschaftler der Big-Data-Wettbewerbsplattform Kaggle. Er ist auch ein Verfechter von Kaggle. Er ist außerdem das jüngste Fakultätsmitglied der Singularity University in den USA.
Co-Autor Sylvain ist Absolvent der Ecole Normale Supérieure in Paris, Frankreich, und hat einen Master-Abschluss in Mathematik von der Universität Paris XI (Orsay, Frankreich). Er ist außerdem ehemaliger Lehrer und Forschungswissenschaftler bei fast.ai und arbeitet daran, Deep Learning zugänglicher zu machen, indem er Techniken entwickelt und verbessert, mit denen Modelle schnell mit begrenzten Ressourcen trainiert werden können.
Das Besondere an diesem Buch ist, dass es von oben nach unten erklärt wird. Es erklärt alles anhand realer Beispiele.Wir bauen auf diesen Beispielen auf und gehen immer tiefer in die Materie, um Ihnen zu zeigen, wie Sie Ihre Projekte immer besser machen können. Das bedeutet, dass dem Leser Schritt für Schritt und im Kontext alle notwendigen theoretischen Grundlagen vermittelt werden, um zu verstehen, warum es wichtig ist und wie es funktioniert.
Die Autoren sagen, sie hätten viele Jahre damit verbracht, Werkzeuge und Lehrmethoden zu entwickeln, um ein zuvor komplexes Thema sehr einfach darzustellen.
Leseadresse:
http://50315d5e32ce03ba1773cc0ce6940a86.registreimarcasepatentes.com.br/read/
9. Python für alle
Von Charles R. Severance
Einleitung: Dieses Buch hat mehr als 1.200 Bewertungen auf Amazon, mit einer durchschnittlichen Bewertung von 4,6 (von 5), was zeigt, dass die meisten Leser das Buch nützlich finden. Viele Leser glauben, dassDieses Buch erklärt die Konzepte auf leicht verständliche Weise und ermutigt Sie, Code für einfache Projekte in der Sprache Python zu schreiben.
Die in diesem Buch erwähnten Wissenspunkte sind sehr leicht verständlich und eignen sich sehr gut für den Einstieg ins Lernen.
Leseadresse:
10. AutoML: Methoden, Systeme, Herausforderungen
Herausgegeben von Frank Hutter, Lars Kotthoff und Joaquin Vanschoren
Zusammenfassung: Wenn Sie nicht viel darüber wissen, was AutoML eigentlich ist, machen Sie sich keine Sorgen. Das Buch beginnt mit einer soliden Einführung in das Thema und legt Kapitel für Kapitel klar dar, was zu erwarten ist, was bei einem Buch mit in sich geschlossenen Kapiteln wichtig ist.
Anschließend können Sie im ersten Teil des Buches direkt einsteigen und sich beruhigt in die wichtigen Themen des modernen AutoML einlesen, da das Buch 2019 organisiert und herausgegeben wurde. Nach diesem ersten Teil werden sechs Tools zur Implementierung dieser AutoML-Konzepte vorgestellt.
Der letzte Abschnitt ist eine Analyse der AutoML Challenge-Reihe, die einige Jahre lang zwischen 2015 und 2018 lief, einem Zeitraum, in dem das Interesse an automatisierten Ansätzen des maschinellen Lernens explosionsartig zu wachsen schien.
Leseadresse:
11. Tiefes Lernen
Von Ian Goodfellow, Yoshua Bengio und Aaron Courville
Einleitung: Dieses Buch „Deep Learning“ sollte keiner großen Einleitung bedürfen. Die Mitverfasser sind Ian Goodfellow, Yoshua Bengio und Aaron Courville, führende Experten auf dem Gebiet der künstlichen Intelligenz.Musk kommentierte einmal: „Deep Learning wurde von drei Experten auf diesem Gebiet gemeinsam verfasst und ist das einzige umfassende Buch auf diesem Gebiet.“
Das Buch ist so aufgebaut, dass der erste Teil die grundlegenden mathematischen Werkzeuge und Konzepte des maschinellen Lernens vorstellt, der zweite Teil die ausgereiftesten Deep-Learning-Algorithmen vorstellt und der dritte Teil einige zukunftsweisende Ideen diskutiert, die allgemein als zukünftiger Forschungsschwerpunkt des Deep Learning angesehen werden.
Leseadresse:
https://www.deeplearningbook.org/
12. Tauchen Sie ein in Deep Learning
Von: Aston Zhang, Zachary C. Lipton, Mu Li und Alexander J. Smola
Einleitung: Dieses Buch ist insofern einzigartig, alsDer Autor verfolgt die Philosophie des „Learning by Doing“ und das gesamte Buch enthält ausführbaren Code.Die Autoren versuchen, die Stärken eines Lehrbuchs (Klarheit und Mathematik) mit den Stärken eines praxisorientierten Tutorials (praktische Fähigkeiten, Referenzcode, Implementierungstipps und Intuition) zu kombinieren. In jedem Kapitel wird Ihnen eine Schlüsselidee anhand mehrerer Formen vermittelt, wobei Prosa und Mathematik miteinander verwoben sind und eine eigenständige Implementierung erfolgt.
Leseadresse:
13. Mathematische Grundlagen des maschinellen Lernens
Autor: Marc Peter Deisenroth, Aldo Faisal, Cheng Soon Ong
Zusammenfassung: Der erste Teil dieses Buches behandelt rein mathematische Konzepte und geht überhaupt nicht auf maschinelles Lernen ein. Der zweite Teil widmet sich der Anwendung dieser neu erworbenen mathematischen Fähigkeiten auf Probleme des maschinellen Lernens.
Je nach Wunsch des Lesers kann man sich mit einem Top-down- oder Bottom-up-Ansatz mit maschinellem Lernen und der ihm zugrunde liegenden Mathematik vertraut machen.
Leseadresse:
14. Grundlagen des statistischen Lernens
Autor: Trevor Hastie, Robert Tibshirani, Jerome Friedman
Einleitung: Dieses Buch ist ein hoch bewertetes Werk auf Amazon und die Autoren sind drei Statistikprofessoren der Stanford University.
Autoren haben eine Möglichkeit, ihr Fachwissen zu vermitteln. Ihr Ansatz scheint einer logischen und geordneten Methode zu folgen, was der Leser lernen soll und wann. Die einzelnen Kapitel sind jedoch in sich abgeschlossen, sodass Sie, wenn Sie dieses Buch zur Hand nehmen, direkt mit dem Kapitel zum Modellschlussfolgern beginnen können, vorausgesetzt, Sie haben den vorherigen Stoff des Buches bereits verstanden.
Leseadresse:
15. Einführung in das statistische Lernen: R-Anwendungen
Autor: Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani
Einleitung: Die Autoren dieses Buches sind vier Professoren der University of Southern California, der Stanford University und der University of Washington, die alle über einen statistischen Hintergrund verfügen. Dieses Buch ist praxisorientierter als „The Elements of Statistical Learning“ und enthält einige in R implementierte Beispiele.
Leseadresse:
Diese Bücher genießen nicht nur einen sehr guten Ruf, die englischen Originale sind auch nicht billig und kosten im Allgemeinen zwischen 50 und 100 US-Dollar. Sie können es jetzt kostenlos lesen und Sie verdienen Geld, wenn Sie es lesen~
Quellen:
https://www.kdnuggets.com/2020/12/15-free-data-science-machine-learning-statistics-ebooks-2021.html