送书 | 我最喜欢的深度学习框架是……

Posted 2021-04-29 论智

正月十五，元宵佳节，在这样欢乐喜庆的日子里怎能少得了福利呢？今天论智君又开启新一轮送书活动啦，我们精心挑选了挑选了六本机器学习入门书籍，将选出一位赠送TA最中意的一本！

活动方式很简单：

1.《机器学习》 by 周志华

本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解，作者试图尽可能少地使用数学知识。然而，少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此, 本书更适合大学三年级以上的理工科本科生和研究生，以及具有类似背景的对机器学习感兴趣的人士。为方便读者，本书附录给出了一些相关数学基础知识简介。书中除第 1 章外，每章都给出了十道习题。有的习题是帮助读者巩固本章学习，有的是为了引导读者扩展相关知识。

2.《机器学习实战》 by Peter Harrington

本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如 k 近邻算法、朴素贝叶斯算法、Logistic 回归算法、支持向量机、AdaBoost 集成方法、基于树的回归算法和分类回归树（ CART ）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k 均值聚类算法、Apriori 算法、FP-Growth 算法。第四部分介绍了机器学习算法的一些附属工具。全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用 Python 代码来阐释如何处理统计数据，进行数据分析及可视化。

3.《 Python 机器学习入门（影印版 英文版）》 by Andreas C. Müller, Sarah Guido

你将学习使用 Python 和 scikit-learn 库所需的全部步骤来创建成功的机器学习应用程序。《 Python 机器学习入门（影印版 英文版）》作者安德烈亚斯·穆勒、莎拉·圭多专注于使用机器学习算法的实践方面，而不会过多讨论其背后的数学原理。熟悉 NumPy 和 matplotlib 库将有助于你从《 Python 机器学习入门（影印版 英文版）》中获得很多信息。

你会学到：机器学习的基本概念和应用程序各种广泛使用的机器学习算法的优点和缺点如何呈现通过机器学习处理后的数据，包括需要关注的数据方面与模型评估和参数调整的方法用于连接模型和封装工作流的管道的概念处理文本数据的方法，包括特定于文本的处理技术改善你的机器学习和数据科学技能的建议。

4.《机器学习》 by Peter Flach

《机器学习》是全面的机器学习教材之一。书中首先介绍了机器学习的构成要素（任务、模型、特征）和机器学习任务，接着详细分析了逻辑模型（树模型、规则模型）、几何模型（线性模型和基于距离的模型）和概率模型，然后讨论了特征、模型的集成，以及被机器学习研究者称为“实验”的方法。作者不仅使用了已有术语，还引入了一些新的概念，同时提供了大量精选的示例和插图解说。

5.机器学习导论（原书第 3 版） by Ethem Alpaydin

《机器学习导论》对机器学习的定义和应用实例进行了介绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、决策树。线性判别式、多层感知器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，人脸识别或语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《机器学习导论》讨论了机器学习在统计学、模式识别、神经网络。人工智能。信号处理、控制和数据挖掘等不同领域的应用。对所有学习算法都进行了解释，以便读者可以容易地将书中的公式转变为计算机程序。

6.《 Scikit-Learn 与 TensorFlow 机器学习实用指南（影印版）》 by Aurélien Géron

通过具体的例子、很少的理论以及两款成熟的 Python 框架：Scikit-Learn 和 TensorFlow，作者 Aurélien Géron 会帮助你掌握构建智能系统所需要的概念和工具。你将会学习到各种技术，从简单的线性回归及发展到深度神经网络。每章的练习有助于你运用所学到的知识，你只需要有一些编程经验就行了。