Skip to content

Latest commit

 

History

History
28 lines (17 loc) · 3.45 KB

spec-recommendations.md

File metadata and controls

28 lines (17 loc) · 3.45 KB

Рекомендации от преподавателей специализации

Мы составили для вас список наших любимых учебников по темам, рассматривавшимся в этом курсе, с короткими комментариями.

(Лучше всего изучать прямо в такой последовательности)

  • Hastie, Tibshirani, Friedman. The elements of statistical learning — классический способ начать знакомиться с машинным обучением, если вас не пугает математика;
  • Bishop. Pattern recognition and machine learning — (чрезмерно) подробный справочник методов, дающий возможность познакомиться, например, с десятью версиями метода главных компонент;
  • Murphy. Machine learning a probabilistic perspective — очень объемная и содержательная книга из MIT (~1000 страниц), освещена большая часть мейнстримовых методов машинного обучения.

Если в начале математика в The elements of statistical learning покажется сложной, можно попробовать облегчённую версию учебника от тех же авторов — James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning.

Если хочется на русском, то можно начать с лекций Константина Вячеславовича Воронцова по машинному обучению. Но решающие деревья в этом случае лучше изучить по User Guide scikit-learn, а градиентный бустинг и случайный лес — все-таки по The elements of statistical learning.


Если до погружения в математику хочется понять на инженерном уровне «что как работает», то для этого хорошо подойдут:

  • Harrington. Machine Learning in Action — дается базовое знакомство с методами машинного обучения, без перегрузки математическими деталями;
  • Marshland. Machine Learning: An Algorithmic Perspective — приводятся и объясняются реализации разных методов машинного обучения на Python;
  • Richert, Coelho. Building Machine Learning Systems with Python — очень доступное изложение разных задач машинного обучения (анализ изображений, текстов, звука) с описанием того, как это сделать в Python (прямо с кодом).

Отдельно про нейросети можно почитать:

  • Хайкин. Нейронные сети. Полный курс;
  • Goodfellow, Bengio, Courville. Deep Learning (для сильных духом любителей складывать слои как блинчики).