Livro de receitas de aprendizado de máquina / cartão de referência / folha de dicas?

Acho recursos como o Livro de Receitas de Probabilidades e Estatísticas e o Cartão de Referência R para Mineração de Dados incrivelmente úteis. Obviamente, eles servem bem como referências, mas também me ajudam a organizar meus pensamentos sobre um assunto e obter a configuração da terra.

P: Existe algum desses recursos para métodos de aprendizado de máquina?

Estou imaginando um cartão de referência que, para cada método ML, incluiria:

• Propriedades gerais
• Quando o método funciona bem
• Quando o método faz mal
• De quais ou para quais outros métodos o método se generaliza. Foi substituído principalmente?
• Artigos seminais sobre o método
• Problemas em aberto associados ao método
• Intensidade computacional

Todas essas coisas podem ser encontradas com alguma pesquisa mínima nos livros, tenho certeza. Seria realmente conveniente tê-los em algumas páginas.

Alguns dos melhores recursos disponíveis gratuitamente são:

• Hastie, Friedman et al. Os elementos do aprendizado estatístico: mineração de dados, inferência e previsão
• David Barber. Raciocínio Bayesiano e Aprendizado de Máquina
• David MacKay. Teoria da informação, inferência e algoritmos de aprendizagem (http://www.inference.phy.cam.ac.uk/mackay/itila/)

Quanto à pergunta do autor, não encontrei a solução "Tudo em uma página"

Se você deseja aprender Machine Learning, recomendo fortemente que você se inscreva no curso de ML online gratuito no inverno, ministrado pelo Prof. Andrew Ng .

Eu fiz o anterior no outono e todo o material de aprendizado é de qualidade excepcional e é voltado para aplicações práticas, e é muito mais fácil entender que lutar sozinho com um livro.

Também produziu uma fruta bem baixa, com boas explicações intuitivas e a quantidade mínima de matemática.

Sim, você está bem; "Reconhecimento de padrões e aprendizado de máquina" de Christopher Bishop é um excelente livro para referência geral, você não pode realmente dar errado com ele.

Um livro bastante recente, mas também muito bem escrito e igualmente amplo, é o " Bayesian Reasoning and Machine Learning " de David Barber ; um livro que eu consideraria um pouco mais adequado para um novato em campo.

Eu usei "Os elementos do aprendizado estatístico" de Hastie et al. (mencionado por Macro) e, embora seja um livro muito forte, eu não o recomendaria como primeira referência; talvez o sirva melhor como segunda referência para tópicos mais especializados. Nesse aspecto, o livro de David MacKay, Teoria da informação, Inferência e Algoritmos de aprendizado , também pode fazer um trabalho esplêndido.

Como o consenso parece ser que essa pergunta não é uma duplicata, eu gostaria de compartilhar o meu favorito dos iniciantes em aprendizado de máquina:

Achei a Programming Collective Intelligence o livro mais fácil para iniciantes, já que o autor Toby Segaran está focado em permitir que o desenvolvedor de software mediano suje as mãos com hackers de dados o mais rápido possível.

Capítulo típico: O problema dos dados é claramente descrito, seguido de uma explicação aproximada de como o algoritmo funciona e, finalmente, mostra como criar algumas idéias com apenas algumas linhas de código.

O uso de python permite que você entenda tudo bastante rápido (você não precisa conhecer python, sério, eu também não sabia disso antes). NÃO pense que este livro está focado apenas na criação de um sistema de recomendação. Ele também lida com mineração de texto / filtragem de spam / otimização / clustering / validação etc. e, portanto, fornece uma visão geral clara das ferramentas básicas de cada minerador de dados.

Witten e Frank, "Data Mining", Elsevier 2005 é um bom livro para auto-aprendizado, pois há uma biblioteca de código Java (Weka) para acompanhar o livro e é bastante orientada para a prática. Suspeito que exista uma edição mais recente que a minha.

Tenho Aprendizado de Máquina: Uma Perspectiva Algorítmica de Stephen Marsland e acho muito útil para o auto-aprendizado. O código Python é fornecido ao longo do livro.

Concordo com o que é dito nesta revisão favorável:

http://blog.rtwilson.com/review-machine-learning-an-algorithmic-perspective-by-stephen-marsland/

"Elementos de aprendizagem estatística" seria um ótimo livro para seus propósitos. A 5ª edição do livro, publicada no início de 2011, está disponível gratuitamente em http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

• http://scikit-learn.org/stable/tutorial/machine_learning_map/

Muitas vezes, a parte mais difícil de resolver um problema de aprendizado de máquina pode ser encontrar o estimador certo para o trabalho. Estimadores diferentes são mais adequados para diferentes tipos de dados e diferentes problemas. O fluxograma abaixo foi desenvolvido para fornecer aos usuários um guia geral sobre como abordar problemas em relação a quais estimadores tentar seus dados. Clique em qualquer estimador na tabela abaixo para ver a documentação.

O repositório de aprendizado de máquina impressionante parece ser uma lista principal de recursos, incluindo código, tutoriais e livros .

A maioria dos livros mencionados em outras respostas é muito boa e você não pode realmente dar errado com nenhum deles. Além disso, acho útil a seguinte folha de dicas para o Python scikit-learn.

Eu gosto da "Classificação dos Padrões" de Duda, Hart e Stork. Esta é uma revisão recente de um texto clássico que explica tudo muito bem. Não tenho certeza se está atualizado para ter muita cobertura de redes neurais e SVMs. O livro de Hastie, Tibshirani e Friedman é o melhor que existe, mas pode ser um pouco mais técnico do que o que você está procurando e é mais detalhado do que uma visão geral do assunto.

O Microsoft Azure também fornece uma folha de dicas semelhante à do scikit-learn postada por Anton Tarasenko.

(fonte: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet )

Eles o acompanham com um aviso:

As sugestões oferecidas nesta folha de dicas sobre algoritmos são regras práticas aproximadas. Alguns podem ser dobrados e outros podem ser flagrantemente violados. Isso pretende sugerir um ponto de partida. (...)

A Microsoft também fornece um artigo introdutório que fornece mais detalhes.

Observe que esses materiais estão focados nos métodos implementados no Microsoft Azure.

Não comece com Elements of Statistical Learning. É ótimo, mas é um livro de referência, que não soa como o que você está procurando. Eu começaria com a programação de inteligência coletiva, pois é uma leitura fácil.

Para um primeiro livro sobre aprendizado de máquina, que explica bem os princípios, recomendo vivamente

Rogers e Girolami, um primeiro curso de aprendizado de máquina (Chapman & Hall / CRC Machine Learning & Pattern Recognition), 2011.

O livro de Chris Bishop, ou o de David Barber, faz boas escolhas para um livro com maior amplitude, depois de entender bem os princípios.

Escrevi um resumo como esse, mas apenas em uma tarefa de aprendizado de máquina (Prêmio Netflix), e ela possui 195 páginas: http://arek-paterek.com/book

Verifique este link com alguns ebooks gratuitos sobre aprendizado de máquina: http://designimag.com/best-free-machine-learning-ebooks/ . pode ser útil para você.

Uma boa folha de dicas é aquela do livro Max Kuhn, Applied Predictive Modeling . No livro, há uma boa tabela de resumo de vários modelos de aprendizado de ML. A tabela está no apêndice A, página 549.