在這個(gè)暑假，有興趣的可以閱讀一下這些免費(fèi)的有關(guān)機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的書(shū)籍，他們能給你打開(kāi)一扇看清機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)的窗。如果在閱讀完這一文章后想知曉更多免費(fèi)的好書(shū)，請(qǐng)查看本系列的前一篇或下面的相關(guān)內(nèi)容。

 

 

1. Python Data Science Handbook

作者：Jake VanderPlas

本書(shū)介紹了在Python中處理數(shù)據(jù)所必需的核心庫(kù)，特別是IPython，NumPy，Pandas，Matplotlib，Scikit-Lean和相關(guān)的軟件包。在此之前您需要掌握Python這種語(yǔ)言，如果您想快速掌握這門(mén)語(yǔ)言，可以參閱這個(gè)針對(duì)研究人員和科學(xué)家的Python語(yǔ)言快速入門(mén)的“Python的旋風(fēng)之旅(A Whirlwind Tour of Python)”。

2. Neural Networks and Deep Learning

作者：Michael Nielsen

這是一本免費(fèi)的在線(xiàn)書(shū)籍。通過(guò)這本書(shū)你會(huì)知道神經(jīng)網(wǎng)絡(luò)是一個(gè)美麗的生物啟發(fā)式編程范例，使計(jì)算機(jī)可以從觀(guān)測(cè)數(shù)據(jù)中學(xué)習(xí)。而深度學(xué)習(xí)則是一套強(qiáng)大的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)。

目前，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)為圖像識(shí)別、語(yǔ)音識(shí)別和自然語(yǔ)言處理(NLP)中的問(wèn)題提供了很多效果不錯(cuò)的解決方案。通過(guò)這本書(shū)您將會(huì)知道更多神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)背后的核心概念。

3. Think Bayes

作者：Allen B.Downey

這本書(shū)主要介紹了如何使用計(jì)算方法處理貝葉斯統(tǒng)計(jì)。

如果您想使用本書(shū)中的技能來(lái)學(xué)習(xí)其他技能，您需要知道如何編程。

貝葉斯統(tǒng)計(jì)是根據(jù)數(shù)學(xué)概念(如微積分)提出的，有關(guān)它的大多數(shù)書(shū)籍也都使用的是數(shù)學(xué)符號(hào)。本書(shū)使用Python代碼而不是數(shù)學(xué)，因此“積分”變成了“總和”。這是書(shū)中的一個(gè)特色。

4. Machine Learning & Big Data

作者：Karee Alkaseer

這本書(shū)背后的目的是為了讓軟件工程師在不依賴(lài)庫(kù)的情況下可以輕松使用機(jī)器學(xué)習(xí)模型。大多數(shù)情況下，模型或技術(shù)背后的概念很簡(jiǎn)單、直觀(guān)，但在細(xì)節(jié)或行話(huà)中會(huì)丟失。另外，一般情況下，現(xiàn)有的庫(kù)可以解決手頭的問(wèn)題，但是有時(shí)候它們會(huì)用自己的方式抽象和隱藏基本概念，這就是它們被稱(chēng)為“黑盒子”的原因。這本書(shū)也嘗試著將“黑盒子”里被抽象和隱藏的基本概念清晰化。它是一個(gè)還在進(jìn)行中的作品，它的內(nèi)容將慢慢的豐富。

5. Satistical Learning with Sparsity:The Lasso and Generalizations

作者：Trevor Hastie,Robert Tibshirani,Martin Wainwright

在過(guò)去的十年中，計(jì)算和信息技術(shù)得到了迅猛發(fā)展。隨著它的應(yīng)用，在醫(yī)學(xué)、生物學(xué)、金融和市場(chǎng)營(yíng)銷(xiāo)等領(lǐng)域中涌現(xiàn)出了大量的數(shù)據(jù)。本書(shū)在一個(gè)共同的概念框架下，闡述了這些領(lǐng)域中的一些重要觀(guān)點(diǎn)。

6. Statistical inference for data science

作者：Brian Caffo

作為數(shù)據(jù)科學(xué)專(zhuān)業(yè)的一部分 ，本書(shū)是統(tǒng)計(jì)推理課程(Statistical Inference)的一本配套書(shū)籍。如果你沒(méi)有上這門(mén)課，也可以配著YouTube上有關(guān)視頻單獨(dú)學(xué)習(xí)這本書(shū)。

本書(shū)旨在以低成本介紹統(tǒng)計(jì)推理這一重要領(lǐng)域，使得具有編程能力的學(xué)生將這些技能用到數(shù)據(jù)科學(xué)或統(tǒng)計(jì)學(xué)當(dāng)中去。

7. Convex Optimization

作者：Stephen Boyd & Lieven Vandenberghe

這本書(shū)的主要內(nèi)容是關(guān)于凸優(yōu)化(convex optimization)，這是一類(lèi)特殊的數(shù)學(xué)優(yōu)化問(wèn)題，它包括最小二乘和線(xiàn)性規(guī)劃問(wèn)題。眾所周知，最小二乘和線(xiàn)性規(guī)劃問(wèn)題有一個(gè)相當(dāng)完整的理論，出現(xiàn)在各種應(yīng)用中，并且可以非常有效地用數(shù)值求解。本書(shū)的基本觀(guān)點(diǎn)是，對(duì)于較大類(lèi)的凸優(yōu)化問(wèn)題也可以如此。

8. Natural Language Processing with Python

作者：Steven Bird & Ewan Klein & Edward Loper

本書(shū)基于Python編程語(yǔ)言和一個(gè)叫自然語(yǔ)言工具包(NLTK)的開(kāi)源庫(kù)寫(xiě)作而成的。“自然語(yǔ)言”是指用于人類(lèi)日常交流的語(yǔ)言，與編程語(yǔ)言和數(shù)字符號(hào)等語(yǔ)言不同，自然語(yǔ)言在代代相傳的過(guò)程中不斷發(fā)展，并且很難用明確的規(guī)則來(lái)確定。為了讓計(jì)算機(jī)更好地理解自然語(yǔ)言，我們開(kāi)發(fā)運(yùn)用了自然語(yǔ)言處理(NLP)。這本書(shū)就是有關(guān)自然語(yǔ)言處理(NLP)的書(shū)。

9. Automate the Boring Stuff with Python

作者：AI Sweigart

你是否有過(guò)為花費(fèi)數(shù)小時(shí)為文件重命名或更新表格里的數(shù)百個(gè)單元格而煩躁的經(jīng)歷?在這本書(shū)中，你將會(huì)學(xué)到如何使用Python來(lái)輕松搞定這些問(wèn)題。Python十分好上手，一旦掌握了編程的基礎(chǔ)知識(shí)，就可以創(chuàng)建Python程序，就此輕松解決那些繁瑣的事情。

10.Social Media Mining: An Introduction

作者：Reza Zafarani & Mohammad Ali Abbasi & Huan Liu

社交媒體在過(guò)去十年的發(fā)展已經(jīng)徹底革新了個(gè)人互動(dòng)和行業(yè)開(kāi)展業(yè)務(wù)的方式。個(gè)人通過(guò)社交媒體互動(dòng)、共享產(chǎn)生了大量的數(shù)據(jù)。

在這本書(shū)中，你將了解到社交媒體挖掘(Social Media Mining)整合了社交媒體，社交網(wǎng)絡(luò)分析和數(shù)據(jù)挖掘，為學(xué)生、從業(yè)人員、研究人員等提供了一個(gè)方便而一致的平臺(tái)。同時(shí)也將會(huì)了解到社交媒體挖掘(Social Media Mining)的潛力。

文章原標(biāo)題《10 More Free Must-Read Books For Machine Learning and Data Science》

作者：Matthew Mayo

譯者：烏拉烏拉

文章為簡(jiǎn)譯，更為詳細(xì)的內(nèi)容，請(qǐng)查看原文文章。

標(biāo)簽： 代碼 金融 媒體 網(wǎng)絡(luò) 信息技術(shù)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀(guān)點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。