10 Livros de leitura obrigatória sobre Machine Learning e Data Science | Semantix - Big Data, IA e IoT
Select Page
10 Livros de leitura obrigatória sobre Machine Learning e Data Science
25 de May de 2017

O site KDnuggets separou uma lista de ebooks gratuitos, clássicos e contemporâneos, sobre Machine Learning e Data Science a fim de que você possa aprofundar o seu conhecimento na área.

  1. Think Stats: Probability and Statistics for Programmers

Allen B. Downey Think Stats é uma introdução à Probabilidade e Estatística para programadores Python. Think Stats enfatiza técnicas simples que você pode usar para explorar conjuntos de dados reais e responder a perguntas interessantes. O livro apresenta um estudo de caso usando dados dos Institutos Nacionais de Saúde. Os leitores são incentivados a trabalhar em um projeto com conjuntos de dados reais.

  1. Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference 

Cam Davidson-Pilon Uma introdução aos métodos Bayesianos e programação probabilística a partir de um ponto de vista da computação e da matemática. O método bayesiano é a abordagem natural da inferência, mas está escondido dos leitores nos capítulos de lenta análise matemática. O texto típico sobre a inferência bayesiana envolve dois a três capítulos sobre a teoria da probabilidade. Infelizmente, devido à intratabilidade matemática da maioria dos modelos bayesianos, só é mostrado ao leitor exemplos simples e artificiais.

  1. Understanding Machine Learning: From Theory to Algorithms 

Shai Shalev-Shwartz e Shai Ben-David Machine Learning é uma das áreas de mais rápido crescimento da ciência da computação, com aplicações de longo alcance. O objetivo deste livro é introduzir a aprendizagem mecânica e os paradigmas algorítmicos que oferece. O livro fornece um relato teórico dos fundamentos subjacentes à aprendizagem mecânica e as derivações matemáticas que transformam esses princípios em algoritmos práticos. Além disso, o livro cobre uma grande variedade de tópicos centrais não abordados por livros didáticos anteriores. Estes incluem uma discussão da complexidade computacional da aprendizagem e os conceitos de convexidade e estabilidade; paradigmas algorítmicos importantes, incluindo descendência de gradientes estocásticos, redes neurais e aprendizagem estruturada de resultados; e conceitos teóricos emergentes como a abordagem PAC-Bayes e limites baseados em compressão.

  1. The Elements of Statistical Learning

Trevor Hastie, Robert Tibshirani e Jerome Friedman Este livro expõe as ideias importantes dessas áreas em uma estrutura conceitual comum. Embora a abordagem seja estatística, a ênfase está nos conceitos e não na matemática. Muitos exemplos são dados com um uso liberal dos gráficos de cor. A cobertura do livro é ampla, desde a aprendizagem supervisionada (previsão) até a aprendizagem não supervisionada. Os muitos tópicos incluem redes neurais, máquinas de suporte de vetores, árvores de classificação e reforço – o primeiro tratamento abrangente deste tópico em qualquer livro.

  1. An Introduction to Statistical Learning: With Applications in R

Gareth James, Daniela Witten, Trevor Hastie e Robert Tibshirani Este livro fornece uma introdução aos métodos de aprendizagem estatística. Destina-se a alunos de graduação superior, mestrandos e doutorandos em ciências não-matemáticas. O livro também contém uma série de laboratórios R com explicações detalhadas sobre como implementar os vários métodos em ambientes de vida real, e que deve ser um recurso valioso para um cientista de dados.

  1. Foundations of Data Science

Avrim Blum, John Hopcroft e Ravindran Kannan Embora as áreas tradicionais da ciência da computação continuem sendo altamente importantes, cada vez mais pesquisadores do futuro estarão envolvidos com o uso de computadores para entender e extrair informações úteis de dados maciços provenientes de aplicativos. Desse modo, este livro cobre a teoria que provavelmente será útil nos próximos 40 anos, assim como a compreensão da teoria dos autômatos, algoritmos e tópicos relacionados deu aos alunos uma vantagem nos últimos 40 anos.

  1. A Programmer’s Guide to Data Mining: The Ancient Art of the Numerati 

Ron Zacharski Este guia segue uma abordagem de aprender na prática. Em vez de ler passivamente o livro, encorajo-o a trabalhar com os exercícios e a experimentar o código Python que forneço. Espero que você esteja envolvido ativamente na experimentação e programação de técnicas de mineração de dados. O livro é apresentado como uma série de pequenos passos que se constroem até que, no momento em que você completar a leitura, você terá as bases para a compreensão das técnicas de mineração de dados.

  1. Mining of Massive Datasets

Jure Leskovec, Anand Rajaraman e Jeff Ullman O livro é baseado no curso de Ciência da Computação CS246: Mining Massive Datasets (e CS345A: Data Mining), da Universidade de Stanford. O livro, como o curso, é projetado no nível de ciência da computação de graduação sem pré-requisitos formais. Para apoiar explorações mais profundas, a maioria dos capítulos são complementados com mais referências de leitura.

  1. Deep Learning

Ian Goodfellow, Yoshua Bengio e Aaron Courville O livro didático Deep Learning é um recurso destinado a ajudar os alunos e profissionais a entrar no campo da aprendizagem mecânica em geral e da aprendizagem profunda em particular. A versão on-line do livro está completa e permanecerá disponível online gratuitamente.

  1. Machine Learning Yearning 

Andrew Ng Inteligência Artificial, Machine Learning e Deep Learning estão transformando inúmeras indústrias. Mas construir um sistema de aprendizado de máquina requer que você tome decisões práticas: Você deve coletar mais dados de treinamento? Você deve usar o modelo fim a fim de aprendizagem profunda? Como você lida com o seu conjunto de treinamento que não corresponde ao seu conjunto de teste? E muitos mais. Historicamente, a única maneira de aprender como fazer essas decisões de “estratégia” tem sido um aprendizado de vários anos em um programa de pós-graduação ou empresa. Estou escrevendo um livro para ajudá-lo a ganhar rapidamente essa habilidade, para que você possa se tornar melhor na construção de sistemas de IA.

Fonte: http://www.kdnuggets.com/2017/04/10-free-must-read-books-machine-learning-data-science.html

0 Comments

Submit a Comment

Your email address will not be published. Required fields are marked *