Livro para leitura antes de Elements of Statistical Learning?

Com base neste post , quero digerir Elements of Statistical Learning. Felizmente, está disponível gratuitamente e comecei a lê-lo.

Eu não tenho conhecimento suficiente para entender isso. Você pode recomendar um livro que seja uma introdução melhor aos tópicos do livro? Espero que algo que me dê o conhecimento necessário para entendê-lo?

Palavras-chave:

Uma sólida formação em matemática é um requisito total para o ML?

Comprei, mas ainda não li,

S. Marsland, Aprendizado de Máquina: Uma Perspectiva Algorítmica , Chapman & Hall, 2009.

No entanto, as críticas são favoráveis ​​e afirmam que é mais adequado para iniciantes do que outros livros de ML que têm mais profundidade. Folheando as páginas, parece-me bom porque tenho pouco conhecimento em matemática.

Os autores de Elements of Statistical Learning lançaram um novo livro (agosto de 2013) destinado a usuários sem formação matemática intensa. Uma Introdução à Aprendizagem Estatística: com Aplicações em R

A versão gratuita em PDF deste livro pode ser encontrada aqui .

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.

O capítulo 10 até lida com dados do mercado de ações, mas o foco não está na mineração de dados de séries temporais. Talvez a única desvantagem (para você) deste excelente livro.

Introdução ao Machine Learning , de E. Alpaydin (MIT Press, 2010, 2ª ed.), Aborda muitos tópicos com boas ilustrações (como o reconhecimento de padrões de Bishop e o aprendizado de máquina ).

Além disso, Andrew W. Moore tem alguns bons tutoriais sobre estatística de mineração de dados .

Talvez o All of Statistics de Wasserman seria interessante. Você pode experimentar o livro a partir do link fornecido - e apenas os primeiros parágrafos do prefácio fazem uma venda difícil para o seu mercado - e provavelmente poderá fazer o download do livro gratuitamente através da Springer, se estiver associado a uma universidade.

EDIT: Opa, não percebi o quão antigo esse tópico era.

Os elementos do aprendizado estatístico podem ser uma leitura difícil, especialmente para um aprendiz. Enquanto procurava algumas explicações no segundo capítulo, me deparei com o seguinte recurso: https://waxworksmath.com/Authors/G_M/Hastie/WriteUp/Weatherwax_Epstein_Hastie_Solution_Manual.pdf . Ele contém mais de 100 páginas de anotações e explicações que esclarecem alguns momentos complicados do livro. Um ótimo recurso para todos que estão lendo este livro. Este texto complementar inclui soluções para exercícios.

Eu recomendaria fortemente um primeiro curso de aprendizado de máquina de Rogers e Girolami. Ele cobre as idéias-chave em uma ordem muito lógica, com bons exemplos e com o nível mínimo de matemática para ter uma base adequada nos fundamentos. Não tem a abrangência de alguns livros, mas é exatamente por isso que é tão bom quanto um texto introdutório.

Outro livro muito interessante é o Raciocínio Bayesiano e o Aprendizado de Máquina, de David Barber. O livro está disponível para download gratuito no site do autor: http://www.cs.ucl.ac.uk/staff/d.barber/brml/