5-free-books-to-master-machine-learning.md

5 本免费书籍掌握机器学习

原文：www.kdnuggets.com/5-free-books-to-master-machine-learning

图片生成于 DALL-E 3

在今天的高科技世界中，机器学习非常重要。你可能已经参加了一些在线课程，但它们往往忽略了细节。如果你真的想深入探究并掌握机器学习，书籍是最佳选择。我知道面对如此多的选择可能会感到不知所措。但别担心，我们会为你提供帮助。

---

我们的前三大课程推荐

1. 谷歌网络安全证书 - 快速入门网络安全职业

2. 谷歌数据分析专业证书 - 提升你的数据分析技能

3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT 工作

---

我精心挑选了五本在我自己的机器学习旅程中产生重大影响的书籍。这些书籍将帮助你在 2023 年更好地理解机器学习。

所以，如果你准备好将你的知识提升到一个新的水平，深入探索这一迷人领域，继续阅读。

1. 绝对初学者的机器学习

作者: 奥利弗·西奥博德

链接: 绝对初学者的机器学习

书籍封面

你听说过机器学习这个词，想要深入了解这个激动人心的领域，但不知道从哪里开始。那么这本书是适合你的！

这本书非常适合那些对这个领域新手且没有任何编程经验的人。它以通俗易懂的语言编写，不需要任何先前的编程经验。书中提供了机器学习的高层次介绍、可下载的代码练习和视频演示。还有什么比这更好的呢？

涵盖的主题:

• 什么是机器学习？

• 机器学习类别

• 机器学习工具箱

• 数据清洗

• 设置你的数据

• 回归分析

• 聚类

• 偏差与方差

• 人工神经网络

• 决策树

• 集成建模

• 在 Python 中构建模型

• 模型优化

2. 机器学习的数学

作者: 马克·彼得·德森罗斯

链接: 机器学习数学

书籍封面

既然你已经了解了一些基本概念，现在是时候为复杂的机器学习主题打下基础了。你现在应该做什么？机器学习的数学就是你所需要的！

这是一本自包含的教科书，介绍了理解机器学习所需的基本数学工具。该书以最少的先决条件呈现数学概念，并利用这些概念推导出四种核心机器学习方法：线性回归、主成分分析、高斯混合模型和支持向量机。

本书的作者 Marc Peter Deisenroth 是伦敦大学学院的 DeepMind 人工智能主席，并因其在机器学习领域的研究获得了多个奖项。

涉及主题:

• 线性代数

• 解析几何

• 矩阵分解

• 向量微积分

• 概率与分布

• 连续优化

• 当模型遇到数据

• 线性回归

• 主成分分析的维度缩减

• 使用高斯混合模型的密度估计

• 使用支持向量机的分类

3. 《黑客的机器学习》

作者: Drew Conway 和 John Myles White

链接: 黑客的机器学习

书籍封面

你至今一直在学习理论，现在你真的想开始深入的机器学习编码。那就不用担心了。如果你对编程和编码有天赋，这本书就是为你量身定制的。

本书结合了实际案例研究，展示了机器学习算法的现实相关性。这些示例，包括一个关于构建 Twitter 关注者推荐系统的示例，帮助将抽象概念与具体应用联系起来。这本书最适合喜欢实际案例研究的程序员。

涉及主题:

• 数据探索

• 分类: 垃圾邮件过滤

• 排序: 优先收件箱

• 回归: 预测页面浏览量

• 正则化: 文本回归

• 优化: 破解代码

• PCA: 构建市场指数

• MDS: 视觉探索美国参议员相似性

• kNN: 推荐系统

• 分析社交图谱

• 模型比较

4. 《使用 Scikit-Learn、Keras 和 TensorFlow 的动手机器学习》

作者: Geron Aurelien

链接: 使用 Scikit-Learn、Keras 和 TensorFlow 的动手机器学习

书籍封面

这本书是一本实用的机器学习指南，重点在于构建端到端的系统。书中涵盖了线性回归、决策树、集成方法、神经网络、深度学习等广泛主题。

本书的最新版本包含了来自前沿版本的机器学习和深度学习库（如 TensorFlow 和 Scikit-Learn）的代码。

涵盖的主题：

• 性能测量选择

• 测试集创建

• 使用梯度下降进行线性回归

• 岭回归、套索回归和弹性网回归

• 用于分类的 SVM

• 决策树与基尼不纯度

• 集成学习方法

• 主成分分析（PCA）

• 使用 K-Means 和 DBSCAN 进行聚类

• 使用 Keras 的人工神经网络

• 深度神经网络训练

• 使用 TensorFlow 的自定义模型

• 使用 TensorFlow 的数据加载和预处理

• 深度学习中的 CNN、RNN 和 GAN

5. 接近（几乎）任何机器学习问题

作者：Abhishek Thakur

链接：接近（几乎）任何机器学习问题

书籍封面

想把你的机器学习技能提升到一个新水平吗？这本书是你通向应用机器学习精彩世界的通行证。虽然它没有让你陷入复杂的算法，但它全是关于如何和什么来解决现实世界中的问题。若你渴望弥合理论与实践之间的差距，这本书肯定会成为你的指南！

涵盖的主题：

• 监督学习与非监督学习

• 交叉验证技术

• 评估指标

• 结构化机器学习项目

• 处理分类变量

• 特征工程

• 特征选择

• 超参数优化

• 图像和文本分类、集成和可重复代码

结论

在这篇文章中，我们向你介绍了 2023 年学习机器学习的五本最佳书籍。这些书涵盖了从机器学习基础到更高级的深度学习主题，内容都写得很好，即使是初学者也容易跟随。

如果你认真对待机器学习，我建议你阅读这五本书。然而，如果你只能读一两本，我推荐 Oliver Theobald 的《绝对初学者的机器学习》 和 Aurélien Géron 的《动手机器学习：使用 Scikit-Learn、Keras 和 TensorFlow》。

我们很想知道哪些书在你的机器学习旅程中发挥了关键作用。欢迎在评论区分享你的推荐。

Kanwal Mehreen**** Kanwal 是一名机器学习工程师和技术作家，对数据科学和人工智能与医学的交叉领域充满了深厚的热情。她共同撰写了电子书《利用 ChatGPT 最大化生产力》。作为 2022 年 APAC 的 Google Generation Scholar，她倡导多样性和学术卓越。她还被认定为 Teradata 技术多样性学者、Mitacs Globalink 研究学者和哈佛 WeCode 学者。Kanwal 是变革的坚定倡导者，她创立了 FEMCodes 以支持 STEM 领域的女性。

更多相关主题

• 25 本免费书籍掌握 SQL、Python、数据科学、机器学习等

• KDnuggets 新闻，6 月 22 日：主要的监督学习算法

• 5 本免费书籍掌握 SQL

• 5 本免费书籍帮助你掌握 Python

• 5 本免费书籍掌握数据科学

• 5 本免费书籍掌握数据科学的统计学