洞察和深入了解最新方法
> Image by Hermann Traub from Pixabay
正如您無疑地發(fā)現(xiàn)自己一樣，要成為一名有效的機器學(xué)習(xí)科學(xué)家，您需要獲得許多知識和經(jīng)驗。 要開始使用機器學(xué)習(xí)和AI，學(xué)習(xí)一些在線課程和入門書籍可能就足夠了。 但是，為了變得更好，您將需要學(xué)習(xí)更多。 多得多。
有關(guān)AI最新技術(shù)的大多數(shù)信息都包含在頂級會議（例如ICML，NeurIPS或ICLR）以及arXiv上發(fā)表的論文中。 這些論文中的大多數(shù)都需要在各自領(lǐng)域中有深入的知識，并且（通常）需要相當(dāng)深的數(shù)學(xué)理解才能閱讀它們。 而且，整個領(lǐng)域都以驚人的速度不斷發(fā)展。 因此，不僅必須能夠閱讀這些論文，而且還必須快速閱讀它們并提取最重要的文章，以便能夠確定其中包含的信息對您是否有用。
在這篇文章中，我收集了10本書，我會推薦給任何想對最新技術(shù)以及數(shù)學(xué)和編程經(jīng)驗有更多了解的人。 通常，這些書與任何想在該領(lǐng)域工作的人有關(guān)。 我沒有提供涵蓋特定主題（例如NLP，計算機視覺或醫(yī)學(xué)圖像處理）的書籍。 該帖子根據(jù)特定主題分為不同類別。 這些書中的幾本也可以在線免費獲得，因此沒有任何借口不立即開始學(xué)習(xí)！
> Image by Gerd Altmann from Pixabay
這是人工智能的圣經(jīng)。 它非常清楚簡潔，可以很好地概述該領(lǐng)域，幾乎不需要數(shù)學(xué)背景。 本書還涵蓋了許多內(nèi)容：它從談?wù)撝悄艽?，搜索算法和約束滿足開始，接著是一個易于閱讀的邏輯介紹，并以學(xué)習(xí)，概率推理，NLP和 機器人技術(shù)。 這最后幾章只是在第三本書中才添加到書中，我覺得其中包含的信息與其余內(nèi)容并沒有真正協(xié)調(diào)。 但是，我可以全心全意地將本書的其余部分推薦給任何想擴展AI視野的人。
與其他所有書籍一樣，該書籍也可以在亞馬遜上以平裝本和精裝本的形式獲得。
到目前為止，這本書已成為深度學(xué)習(xí)的標(biāo)準(zhǔn)書，它融合了基礎(chǔ)知識的主題，例如線性代數(shù)，概率和前饋網(wǎng)絡(luò)的介紹，以及更高級的主題，例如CNN，RNN，正則化和自動編碼器。 還包括圖形模型和蒙特卡洛方法的概述。
如果您剛剛完成了一些基礎(chǔ)機器學(xué)習(xí)課程，并且想要對深度學(xué)習(xí)有更深入的介紹，那么我推薦這本書。
這本書可在deeplearningbook.org上免費在線獲得。 精裝版在亞馬遜上出售。
如果您一生中進行了適當(dāng)?shù)臋C器學(xué)習(xí)課程，那么可能已向您推薦了這本書。實際上，該領(lǐng)域的佼佼者之一Nando de Freitas的課程（在YouTube上提供）是基于這本書的。提醒您，這本書不容易閱讀，它的意思不是：它涵蓋了優(yōu)化，概率，支持向量機，高斯模型，貝葉斯和頻繁統(tǒng)計，線性和邏輯回歸，圖形模型，期望最大化，高斯過程，變分和蒙特卡洛（Monte Carlo）推理，聚類和深度學(xué)習(xí)都在一本書中（哇?。１緯闹黝}以及標(biāo)題中出現(xiàn)'概率'的原因是作者傾向于貝葉斯方法。如果您認(rèn)為線性回歸很容易，請閱讀有關(guān)貝葉斯線性回歸的章節(jié)！這本書為我提供了過去幾十年來針對該主題所做的所有研究的參考。它幾乎不像我在這里提到的其他書籍那樣涵蓋深度學(xué)習(xí)的主題，但也并非旨在。還有其他書籍可以做到這一點。
亞馬遜再次提供了這本書（精裝本）。 但是，考慮到這本書的價格，您可能還傾向于從大學(xué)圖書館借書。
這是一本相對較新的有關(guān)深度學(xué)習(xí)的書。 我挑選它只是為了找出其中是否包含我尚未在其他地方閱讀過的任何信息，因為我已經(jīng)讀過該作者的另一本書（《機器學(xué)習(xí)文字》）。 男孩讓我感到驚訝！ 前幾章特別令我耳目一新，使我重新思考了ML的整個領(lǐng)域。 在這些章節(jié)中，Aggarwal博士建立了SVM，回歸，SVD和其他經(jīng)典ML算法之間的聯(lián)系，并解釋說這些實際上只是神經(jīng)網(wǎng)絡(luò)的特殊情況。 很有意思！ 本書的其余部分致力于神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，詳細解釋了反向傳播，正則化，CNN，RNN和自動編碼器，同時還簡要介紹了諸如注意機制之類的最新技術(shù)。
可以在亞馬遜上找到精裝本。
> Image by Gerd Altmann from Pixabay
> Image by Gerd Altmann from Pixabay
毫無疑問，對于任何數(shù)據(jù)科學(xué)家來說，良好的統(tǒng)計學(xué)基礎(chǔ)都至關(guān)重要。 本書對統(tǒng)計學(xué)習(xí)中最重要的概念進行了全面而扎實的解釋。 同時，并不需要成為數(shù)學(xué)專家即可掌握這些概念。 作者涵蓋了有監(jiān)督的學(xué)習(xí)和無監(jiān)督的學(xué)習(xí)，包括SVM，神經(jīng)網(wǎng)絡(luò)和決策樹，隨機森林，LASSO回歸等等。 對我而言，這是任何標(biāo)準(zhǔn)ML算法的首選參考。
可在此處免費下載，也可以在亞馬遜上免費下載。
本書是一本有關(guān)線性代數(shù)的第二本書，它確實深入探討了線性代數(shù)的數(shù)學(xué)基礎(chǔ)。 它假定您已經(jīng)理解了基本概念，而是以更理論性的方式介紹了該主題。 為了理解深度學(xué)習(xí)領(lǐng)域的大多數(shù)論文，雖然絕對不必對線性代數(shù)有足夠的知識，但我發(fā)現(xiàn)它通常不僅對閱讀而且對您自己的研究都非常有幫助。
在亞馬遜上以精裝本或平裝本購買此書。
這是一本關(guān)于概率論的全面而嚴(yán)格的書。 當(dāng)我說嚴(yán)謹(jǐn)?shù)臅r候，我是說真的：它的意思是給已經(jīng)對概率論有一定經(jīng)驗的人們。 在所有有關(guān)概率的數(shù)學(xué)課程中，它都打開了有關(guān)測度理論的章節(jié)。 但是，僅涵蓋最相關(guān)的量度理論概念。 之后，本書深入探討?yīng)毩⑿?，條件概率，mar，馬爾可夫鏈，隨機過程和隨機積分的概念。 因為這是一本主要供數(shù)學(xué)家使用的書，所以所有內(nèi)容都得到了正確證明（盡管還保留了一些證明作為練習(xí)！），因此您必須花些時間來了解這些定理。 但是，該書還提供了許多示例和數(shù)據(jù)，以使您更好地理解。 我將它推薦給想要從數(shù)學(xué)角度理解概率的任何人。
該書可在亞馬遜上以精裝本的形式獲得。
> Image by Johnson Martin from Pixabay
恕我直言，每個深度學(xué)習(xí)科學(xué)家或數(shù)據(jù)科學(xué)家都需要能夠編寫清晰簡潔的Python代碼。 雖然設(shè)計大型代碼體系結(jié)構(gòu)通常不是我們工作的主要部分，但編寫易于理解的算法卻是。 這本書確實可以幫助您發(fā)展Python技能。 在閱讀本書時，我發(fā)現(xiàn)了很多我以前不知道的Python功能。 我?guī)缀趺刻於紩褂玫囊环N是元類的概念。 此外，在其他任何地方都沒有找到關(guān)于Python數(shù)據(jù)模型的清晰描述。 如果您希望您的同事和GitHub關(guān)注者對您編寫的精美代碼感到敬畏，請選擇本書！
亞馬遜當(dāng)然也提供這一功能。 您也可以通過O'Reilly的網(wǎng)站購買它。
我認(rèn)為，從事ML的每個人至少應(yīng)該知道什么是強化學(xué)習(xí)，因為目前看來，這是我們向通用AI邁進的最大希望。 '強化學(xué)習(xí)'涵蓋的主題不是很詳盡（不可能），而是至少非常廣泛。 關(guān)于這本書的最好的事情是它的簡潔明了。 在閱讀本書時，我從未感到作者遺漏了一些可以幫助我更好地理解該主題的東西。 真的很高興閱讀。 盡管它在某些部分確實變得相當(dāng)數(shù)學(xué)化，但是涉及更多的內(nèi)容始終會被標(biāo)記為此類，并且您可以根據(jù)需要跳過它（盡管我建議您繼續(xù)學(xué)習(xí)）。
這本書可在此處免費在線獲得。 您也可以在麻省理工學(xué)院出版社購買印刷版。
雖然將本書納入本書可能會覺得很奇怪，因為它涵蓋的主題相當(dāng)有限，但我覺得它應(yīng)該在這里占有一席之地，主要是因為因果推理迅速成為AI的主要話題，并且Judea Pearl是AI的主要研究者和發(fā)明者 因果推理理論（包括他的許多其他成就）。 在這本書中，您將發(fā)現(xiàn)什么是因果推論，當(dāng)然您還將學(xué)到所有因果關(guān)系與相關(guān)性。 它是因果關(guān)系領(lǐng)域的簡介，因此為讀者提供了概念，而不是詳盡的細節(jié)。 它還包含許多示例和發(fā)人深省的問題，以激發(fā)人們對這個主題進行更深入的思考。 對反事實的討論對我來說尤其有趣和令人耳目一新。
您可以在Wiley或Amazon上購買這本書。
有太多的資源可用于學(xué)習(xí)AI和機器學(xué)習(xí)，因此比以往任何時候都更容易獲得有關(guān)該主題的深入知識。 我提供的書籍只是您可以使用的各種高質(zhì)量材料的示例。 我希望這份清單能為您提供指導(dǎo)，并讓您對其中的內(nèi)容有所了解。 享受閱讀！
(本文翻譯自Branislav Holl?nder的文章《Dig Deeper: 10 Advanced AI Books》，參考：
https://towardsdatascience.com/10-advanced-ai-books-for-those-who-feel-the-need-to-go-deeper-bbb7a7d1c169)
