Recommandations De La Liste De Livres 2021 | 15 Livres Sur L'ia Très Bien Notés, Tous Gratuits
Il existe actuellement sur le marché un certain nombre de livres sur l’intelligence artificielle. En tant que passionné d’intelligence artificielle, comment dois-je sélectionner la liste de livres ? Au début de la nouvelle année, KDnuggets a compilé une liste de livres sur l'IA, veuillez les utiliser selon vos besoins.
KDnuggets, un site Web de premier plan axé sur l'apprentissage automatique, le big data et l'analyse, a récemment compilé une liste de 15 livres couvrant l'apprentissage automatique, la PNL, la science des données et d'autres domaines. Les auteurs des livres sont tous des universitaires et chercheurs de premier plan dans le domaine de l’intelligence artificielle.
Que vous soyez un débutant qui débute avec l'intelligence artificielle ou que vous ayez déjà des connaissances sur la technologie, il y a toujours un livre dans cette liste qui vous convient. Tous les livres peuvent être lus en ligne gratuitement, ce qui est très agréable.
1. Science des données et apprentissage automatique : méthodes mathématiques et statistiques
Auteurs : DP Kroese, ZI Botev, T. Taimre & R. Vaisman
Introduction : C'est un livre très pratique.L’accent est mis sur la réalisation de la science des données et la mise en œuvre de modèles d’apprentissage automatique à l’aide de Python.Il explique très bien les théories pertinentes et introduit les opérations mathématiques nécessaires selon les besoins, donnant ainsi un bon rythme à l'ensemble de l'article.
Adresse de lecture :
2. Text mining : des outils astucieux basés sur le langage R
Par Julia Silge et David Robinson
Introduction : L'exploration de texte est une technologie de traitement informatique qui extrait des informations et des connaissances précieuses à partir de données textuelles. C’est également un sujet brûlant dans le traitement du langage naturel.
Ce livre présente principalement l'exploration de texte et l'analyse de données ordonnées. Tous les codes sont écrits en langage R, ce qui est très bien pour les novices en langage R.
Le livre est divisé en 9 chapitres, présentant comment utiliser des outils soignés basés sur R pour l'analyse de texte. Tidy Data a une structure simple et innovante, ce qui rend l'analyse plus efficace et plus facile.
Adresse de lecture :
https://github.com/dgrtwo/tidy-text-mining
3. Raisonnement causal : Et si
Auteurs : Miguel Hernán, Jamie Robins
Introduction:Ce livre, écrit par les professeurs Miguel Hernan et Jamie Robins de l’Université Harvard, explique systématiquement les concepts et les méthodes du raisonnement causal.Ce livre a été très recherché sur les principales plateformes telles que Zhihu et est un livre très attendu par de nombreux économètres.
Le raisonnement causal est un sujet complexe et global, mais les auteurs ont fait de leur mieux pour condenser ce qu’ils considèrent comme les aspects les plus fondamentaux en environ 300 pages. Si vous souhaitez construire votre propre base conceptuelle, ce livre pourrait être votre premier choix.
Adresse de lecture :
4. Statistiques avec Julia : Fondements de la science des données, apprentissage automatique et intelligence artificielle
Auteurs : Yoni Nazarathy, Hayden Klok
Introduction : Ce livre introduit les concepts statistiques au chapitre 2.À partir de ce chapitre, ces concepts se construisent les uns sur les autres.Il introduit également des sujets plus avancés tels que l'inférence statistique, les intervalles de confiance, les tests d'hypothèses, la régression linéaire, l'apprentissage automatique, etc.
L'auteur du livre a déclaré qu'il s'agissait de la ressource qu'il attendait, lui permettant d'apprendre efficacement la science des données de Julia de la manière dont il l'a toujours souhaité, et il espère qu'elle conviendra également à vos goûts.
Adresse de lecture :
5. Principes de base de la science des données
Auteurs : Avrim Blum, John Hopcroft, Ravindran Kannan
Résumé : Dans de nombreux livres contemporains, la science des données a été réduite à un ensemble d’outils de programmation qui, s’ils sont maîtrisés, promettent de faire la science des données à votre place.
D’autres livres ont historiquement semblé accorder peu d’importance aux concepts de base et à la théorie de la séparation du code. Ce livre est un excellent exemple de la façon d’aller à contre-courant de cette tendance, et il ne fait aucun doute queCe livre vous fournira une base solide et les connaissances théoriques nécessaires pour poursuivre une carrière en science des données.
Adresse de lecture :
6. Comprendre l'apprentissage automatique : de la théorie aux algorithmes
Auteurs : Shai Shalev-Shwartz, Shai Ben-David
Introduction : Une fois que le choc potentiel d'une théorie fortement axée sur les mathématiques s'est dissipé,Vous constaterez que des sujets allant du compromis biais-variance à la régression linéaire, aux stratégies de validation de modèles, au boosting de modèles, aux méthodes de noyau, jusqu'aux problèmes de prédiction sont traités en profondeur.L’avantage d’un traitement aussi approfondi est que votre compréhension sera plus profonde que la simple saisie d’une intuition abstraite.
Adresse de lecture :
7. Traitement du langage naturel avec Python
Auteurs : Steven Bird, Ewan Klein, Edward Loper
Introduction : Ce livre commence par décrire le PNL, en présentant comment utiliser Python pour effectuer certaines tâches de programmation PNL et comment accéder au contenu en langage naturel pour le traitement, puis se tourne vers des concepts plus ambitieux, notamment les concepts (PNL) et la programmation (Python).
bientôt,Il s'agit de la classification, de la catégorisation de texte, de l'extraction d'informations et d'autres sujets généralement considérés comme du traitement classique du langage naturel.
Après avoir compris les bases de la PNL grâce à ce livre, vous pourrez passer à des techniques plus modernes et de pointe.
Adresse de lecture :
8. Apprentissage profond par codeur utilisant Fastai et PyTorch
Par Jeremy Howard et Sylvain Gugger
Introduction : Jeremy Howard, l'un des auteurs de ce livre, est l'ancien président et scientifique en chef de la plateforme de compétition Big Data Kaggle. Il est également un champion de Kaggle. Il est également le plus jeune membre du corps professoral de la Singularity University aux États-Unis.
Co-auteur Sylvain est un ancien élève de l’École Normale Supérieure de Paris, France, et titulaire d’un Master en Mathématiques de l’Université Paris XI (Orsay, France). Il est également un ancien enseignant et chercheur scientifique chez fast.ai, travaillant à rendre l'apprentissage en profondeur plus accessible en concevant et en améliorant des techniques qui permettent de former rapidement des modèles avec des ressources limitées.
Ce qui rend ce livre unique, c'est qu'il est expliqué de haut en bas. Il explique tout à travers des exemples réels.Au fur et à mesure que nous nous appuierons sur ces exemples, nous irons de plus en plus en profondeur, vous expliquant comment améliorer de plus en plus vos projets. Cela signifie que les lecteurs apprendront toutes les bases théoriques dont ils ont besoin, étape par étape, dans leur contexte pour comprendre pourquoi c'est important et comment cela fonctionne.
Les auteurs affirment avoir passé de nombreuses années à créer des outils et des méthodes d’enseignement pour rendre un sujet auparavant complexe très simple.
Adresse de lecture :
http://50315d5e32ce03ba1773cc0ce6940a86.registreimarcasepatentes.com.br/read/
9. Python pour tous
Par Charles R. Severance
Introduction : Ce livre a plus de 1 200 évaluations sur Amazon, avec une note moyenne de 4,6 (sur 5), ce qui montre que la plupart des lecteurs trouvent le livre utile. De nombreux lecteurs pensent queCe livre explique les concepts de manière simple à comprendre et vous encourage à écrire du code pour des projets simples en utilisant le langage Python.
Les points de connaissance mentionnés dans ce livre sont très faciles à comprendre et très adaptés à l’apprentissage de niveau débutant.
Adresse de lecture :
10. AutoML : méthodes, systèmes, défis
Edité par Frank Hutter, Lars Kotthoff et Joaquin Vanschoren
Résumé : Si vous savez peu de choses sur ce qu’est réellement AutoML, ne vous inquiétez pas. Le livre commence par une introduction solide au sujet et expose clairement à quoi s'attendre chapitre par chapitre, ce qui est important dans un livre composé de chapitres autonomes.
Ensuite, dans la première partie du livre, vous pouvez vous lancer et lire en toute confiance les sujets importants de l'AutoML contemporain, car le livre a été organisé et édité en 2019. Après cette première partie, six outils permettant de mettre en œuvre ces concepts AutoML seront présentés.
La dernière section est une analyse de la série AutoML Challenge qui a existé pendant quelques années entre 2015 et 2018, une période au cours de laquelle l’intérêt pour les approches automatisées de l’apprentissage automatique a semblé exploser.
Adresse de lecture :
11. Apprentissage profond
Par Ian Goodfellow, Yoshua Bengio et Aaron Courville
Introduction : Ce livre « Deep Learning » ne devrait pas nécessiter beaucoup d’introduction. Il est co-écrit par Ian Goodfellow, Yoshua Bengio et Aaron Courville, leaders dans le domaine de l'intelligence artificielle.Musk a déclaré un jour : « Deep Learning est co-écrit par trois experts du domaine et constitue le seul livre complet dans ce domaine. »
Le livre est structuré de telle manière que la première partie présente les outils et concepts mathématiques de base de l'apprentissage automatique, la deuxième partie présente les algorithmes d'apprentissage en profondeur les plus matures et la troisième partie discute de certaines idées prospectives qui sont largement considérées comme l'axe de recherche futur de l'apprentissage en profondeur.
Adresse de lecture :
https://www.deeplearningbook.org/
12. Plongez dans l'apprentissage profond
Par : Aston Zhang, Zachary C. Lipton, Mu Li et Alexander J. Smola
Introduction : Ce livre est unique en ce sensL'auteur adopte une philosophie d'« apprentissage par la pratique » et l'ensemble du livre contient du code exécutable.Les auteurs tentent de combiner les atouts d'un manuel (clarté et mathématiques) avec les atouts d'un tutoriel pratique (compétences pratiques, code de référence, conseils de mise en œuvre et intuition). Chaque chapitre vous enseigne une idée clé à travers de multiples formes, entrelaçant la prose, les mathématiques et une mise en œuvre autonome.
Adresse de lecture :
13. Fondements mathématiques de l'apprentissage automatique
Auteurs : Marc Peter Deisenroth, Aldo Faisal, Cheng Soon Ong
Résumé : La première partie de ce livre couvre des concepts purement mathématiques et n'aborde pas du tout l'apprentissage automatique. La deuxième partie se concentre sur l’application de ces nouvelles compétences mathématiques aux problèmes d’apprentissage automatique.
Selon les souhaits du lecteur, on peut adopter une approche descendante ou ascendante pour en savoir plus sur l’apprentissage automatique et ses mathématiques sous-jacentes.
Adresse de lecture :
14. Principes de base de l'apprentissage statistique
Auteur : Trevor Hastie, Robert Tibshirani, Jerome Friedman
Introduction : Ce livre est un ouvrage très bien noté sur Amazon, et les auteurs sont trois professeurs de statistiques de l'Université de Stanford.
Les auteurs ont une façon de communiquer leur expertise. Leur approche semble suivre une méthode logique et ordonnée de ce que le lecteur doit apprendre et quand. Cependant, les chapitres individuels sont autonomes, donc en prenant ce livre, vous pouvez passer directement au chapitre sur le raisonnement par modèle, à condition que vous compreniez déjà le contenu précédent du livre.
Adresse de lecture :
15. Introduction à l'apprentissage statistique : applications R
Auteur : Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani
Introduction : Les auteurs de ce livre sont quatre professeurs de l’Université de Californie du Sud, de l’Université de Stanford et de l’Université de Washington, tous ayant une formation en statistiques. Ce livre est plus pratique que Les éléments de l'apprentissage statistique et donne quelques exemples implémentés dans R.
Adresse de lecture :
Non seulement ces livres ont une très bonne réputation, mais les livres originaux en anglais ne sont pas bon marché, leur prix variant généralement entre 50 et 100 dollars américains. Vous pouvez le lire gratuitement maintenant, et vous gagnerez de l'argent si vous le lisez~
Sources :
https://www.kdnuggets.com/2020/12/15-free-data-science-machine-learning-statistics-ebooks-2021.html