- PVSM.RU - https://www.pvsm.ru -

Список полезных книг по анализу данных, математике, data science и machine learning

Написал пост, который идет строго в закладки, он со списком полезнейших книг по анализу данных, математике, data science и machine learning. Они будут полезны как новичкам, так и профессионалам. Для удобства можете читать здесь [1] или использовать удобный google docs [2], в нем книги разбиты по столбцам и категориям. Пользуйтесь и прокачивайте скиллы сами + делитесь с коллегами.

Конечно, весь список книг неполный. Поэтому добавляйте в комментарии свои полезные ссылки на крутые книги, самые топовые из них я добавлю в список.

image

Книги по анализу данных, математике, data science и machine learning:

  • Машинное обучение [3] — тем, кто только начинает, пригодятся главы с первой по пятую: там описаны процессы подготовки и исследования данных, моделирование и оценка моделей. Дальше практика. Плюс продвинутые темы: проектирование признаков и оптимизация.
  • Математические основы машинного обучения и прогнозирования [4] — тем, кто хочет познакомиться с основами современной теории машинного обучения и теории игр с предсказаниями.
  • Верховный алгоритм [5] — автор знакомит читателей с пятью основными школами машинного обучения и показывает, как они используют идеи из нейробиологии, эволюционной биологии, физики и статистики, чтобы создавать алгоритмы, помогающие людям.
  • The Elements of Statistical Learning. Data Mining, Inference and Prediction [6] — эта книга представляет собой попытку объединить многие важные новые идеи в обучении и объяснить их в статистической структуре.
  • Machine Learning, Neural and Statistical Classification [7] — современный обзор различных подходов к машинному обучению.
  • Introduction to machine learning [8] — эта книга не является практическим пособием или сборником теоретических доказательств. Это — промежуточное звено между теорией и практикой.
  • Машинное обучение [9] — Наука и искусство построения алгоритмов, которые извлекают знания из данных. Один из самых интересных учебников по машинному обучению. Автор рассказывает о методах построения моделей и алгоритмов.
  • Обучение с подкреплением [10] — книга не о машинном обучение, а об одном из способов изучения. Обучение с подкреплением это метод, в ходе которого человек обучается, взаимодействуя с некоторой средой.
  • Bayesian Reasoning and Machine Learning [11] — книга для более профессионального уровня. Информация последовательно распределена по ходу всей книги от легкого к сложному.
  • Neural Network Design [12] — в книге вы найдете ясный и подробный обзор основных типов архитектуры нейросетей, узнаете все о методах и правилах их обучения, а также о применении на практике.
  • Deep Learning [13] — книга рассказывает о глубоком обучении — о том, как иерархия понятий позволяет искусственному интеллекту изучать сложные концепции, строя их из более простых.
  • Neural Networks: A Systematic Introduction [14] — все законы и модели, объединенные в общую теорию нейронных сетей.
  • Pattern Recognition and Machine Learning (Information Science and Statistics) [15] — первый учебник по распознаванию образов, в основе которого лежит Байесовский подход. Предварительных знаний о распознавании образов не требуется, зато пригодится представление о многомерном анализе и основы линейной алгебры.
  • Make Your Own Neural Network [16] — очень годное и в то же время очень простое для понимание руководство по нейросетям. К концу книги вы научитесь программировать на Python и сможете создать собственную нейросеть.
  • Mahout in Action [17] — Mahout — это java-библиотека, и в книге есть куча примеров, как ее можно использовать для решения реальных задач.
  • Машинное обучение [18] — наука и искусство построения алгоритмов, которые извлекают знания из данных. В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП.
  • Python для сложных задач. Наука о данных и машинное обучение [19] — книга «Python для сложных задач: наука о данных и машинное обучение» – это подробное руководство по самым разным вычислительным и статистическим методам, без которых немыслима любая интенсивная обработка данных, научные исследования и передовые разработки.
  • Глубокое обучение [20] — описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и др.
  • Глубокое обучение. Погружение в мир нейронных сетей [21] — максимум объяснений, минимум кода, серьезный материал о машинном обучении и увлекательное изложение.
  • Машинное обучение с использованием библиотеки Н2О [22] — эта книга научит вас использовать алгоритмы машинного обучения, реализованные в Н2О, с упором на наиболее важные для продуктивной работы аспекты.
  • Крупномасштабное машинное обучение вместе с Python [23] — В книге описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow.
  • Введение в статистическое обучение с примерами на языке R [24] — книга представляет собой доступно изложенное введение в статистическое обучение – незаменимый набор инструментов, позволяющих извлечь полезную информацию из больших и сложных наборов данных, которые начали возникать в последние 20 лет в таких областях, как биология, экономика, маркетинг, физика и др.
  • Теоретический минимум по Big Data. Всё что нужно знать о больших данных [25] — неважно, кто вы – деловой человек, работающий с аналитикой, начинающий программист или разработчик, «Теоретический минимум по Big Data» позволит не утонуть в бушующем океане современных технологий и разобраться в основах новой и стремительно развивающейся отрасли обработки больших данных.
  • Библиотека Keras – инструмент глубокого обучения [26] — реализация нейронных сетей с помощью библиотек Theano и TensorFlow. Книга представляет собой краткое, но обстоятельное введение в современные нейронные сети, искусственный интеллект и технологии глубокого обучения.
  • Изучаем Spark. Молниеносный анализ данных [27] — с помощью Spark вы сможете манипулировать огромными объемами данных посредством простого API на Python, Java и Scala.
  • Машинное обучение и TensorFlow [28] — от обзора концепций машинного обучения и принципов работы с TensorFlow вы перейдете к базовым алгоритмам, изучите нейронные сети и сможете самостоятельно решать задачи классификации, кластеризации, регрессии и прогнозирования.
  • Глубокое обучение на Python [29] — в данной книге о глубоком обучении рассказывает Франсуа Шолле, который создал Keras — самую мощную библиотеку для работы с нейронными сетями.
  • Построение систем машинного обучения на языке Python [30] — книга начинается с краткого введения в предмет машинного обучения и знакомства с библиотеками NumPy, SciPy, scikit-learn. Но довольно быстро авторы переходят к более серьезным проектам с реальными наборами данных, в частности, тематическому моделированию, анализу корзины покупок, облачным вычислениям и др.
  • Прагматичный ИИ. Машинное обучение и облачные технологии [31] — тщательно изучив эту незаменимую книгу от Ноя Гифта, легендарного эксперта по языку Python, вы легко научитесь писать облачные приложения с использованием средств искусственного интеллекта и машинного обучения, решать реалистичные задачи из таких востребованных и актуальных областей, как спортивный маркетинг, управление проектами, ценообразование, сделки с недвижимостью.
  • Глубокое обучение на R [32] — книга написана для людей с опытом программирования на R, желающих быстро познакомиться с глубоким обучением на практике.
  • Вероятностное программирование на практике [33] — книга представляет собой введение в вероятностное программирование для программистов-практиков.
  • Программирование искусственного интеллекта в приложениях [34] — данная книга посвящена вопросам искусственного интеллекта (ИИ), то есть методам и технологиям, призванным сделать ПО более умным и полезным. Рассмотренные алгоритмы в основном предназначены для встраивания в другое программное обеспечение, что позволяет создавать программы, гибко подстраивающиеся под требования и привычки пользователя.
  • Искусственный интеллект и универсальное мышление [35] — книга содержит доступное введение в обширную и сложную область искусственного интеллекта.
  • Распознавание образов и машинное восприятие [36] — в книге подробно рассмотрен принцип минимальной длины описания, являющийся следствием теоретико-информационного подхода к построению моделей и выбору гипотез.
  • Использование искусственного интеллекта – реальность и перспективы [37] — в последнее время все чаще говорят о внедрении в различные сферы человеческой деятельности нейронных сетей, систем искусственного интеллекта, машинного обучения.
  • Python и анализ данных [38] — книгу можно рассматривать как современное практическое введение в разработку научных приложений на Python, ориентированных на обработку данных.
  • Дискретная математика для программистов [39] — книга будет полезна студентам, изучающим курс дискретной математики, а также всем желающим проникнуть в технику написания и проверки корректности алгоритмов, включая программистов-практиков.
  • Введение в теорию алгоритмов и структур данных [40] — в курсе дается краткое изложение классических способов построения и анализа алгоритмов.
  • Анализ данных и машинное обучение на платформе MS SQL Server [41] — в учебном пособии рассматриваются современные технологии анализа данных и машинного обучения и их реализация на платформе MS SQL Server.
  • Data Science. Наука о данных с нуля [42] — книга позволяет изучить науку о данных (Data Science) и применить полученные знания на практике. Она написана так, что способствует погружению в Data Science аналитика, фактически не обладающего глубокими знаниями в этой прикладной дисциплине.
  • Data Science. Инсайдерская информация для новичков. Включая язык R [43] — эта книга основана на вводном курсе по Data Science из Колумбийского университета, и начинающему специалисту-аналитику она совершенно необходима.
  • Data Science For Dummies [44] — data Science For Dummies is the perfect starting point for IT professionals and students who want a quick primer on all areas of the expansive data science space.
  • Аналитика и Data Science [45] — когда люди не инженерных специальностей слышат аналитика и Data Science, то представляют разное. Кто-то видит таблицы и графики. Кто-то неподъемно сложные математические формулы. Кто-то программирование и искусственный интеллект. Но истоки этих понятий из области статистики, которая делится на описательную и аналитическую. И эта кажущаяся непостижимой аналитика — на самом деле нескучная, интересная и простая вещь.
  • Databases in DMS of Microsoft Access: methodical handbook on computer science [46] — the educational and methodical manual is a complex set of tasks for the development of databases, as well as a set of tasks for independent work and control questions.
  • Аналитическая культура. От сбора данных до бизнес-результатов [47] — это практическое пошаговое руководство по внедрению в вашей организации управления на основе данных. Карл Андерсон, директор по аналитике в компании Warby Parker, провел интервью с ведущими аналитиками и учеными и собрал кейсы, которые и легли в основу данной книги.
  • A Brief Introduction to Machine Learning for Engineers [48] — краткое введение в машинное обучение для инженеров
  • A Brief Introduction to Neural Networks [49] — краткое введение в нейронные сети
  • A Course in Machine Learning [50] — курс по машинному обучению
  • A First Encounter with Machine Learning [51] — первое знакомство с машинным обучением
  • An Introduction to Statistical Learning [52] — введение в статистическое обучение
  • Bayesian Reasoning and Machine Learning [53] — байесовское рассуждение и машинное обучение
  • Deep Learning [54] — глубокое обучение
  • Gaussian Processes for Machine Learning [55] — гауссовские процессы для машинного обучения
  • Information Theory, Inference, and Learning Algorithms [56] — теория информации, логический вывод и алгоритмы обучения
  • Introduction to Machine Learning [57] — введение в машинное обучение
  • Learn Tensorflow [58]— изучение Tensorflow
  • Learning Deep Architectures for AI [59] — изучение глубокой архитектуры для ИИ
  • Machine Learning, Neural and Statistical Classification [60]— машинное обучение, нейронная и статистическая классификация
  • Neural Networks and Deep Learning [61] — нейронные сети и глубокое обучение
  • Probabilistic Models in the Study of Language [62] — вероятностные модели в изучении языка (Черновик с кодом R)
  • Reinforcement Learning: An Introduction (Draft) [63] — усиление обучения: введение (проект)
  • Speech and Language Processing (3rd Edition Draft) [64] — обработка речи и языка (3-е издание)
  • The Elements of Statistical Learning [65] — Элементы статистического обучения
  • The LION Way: Machine Learning plus Intelligent Optimization [66] — LION: машинное обучение и интеллектуальная оптимизация
  • Создаем нейронную сеть [67] — эта книга представляет собой введение в теорию и практику создания нейронных сетей. Она предназначена для тех, кто хочет узнать, что такое нейронные сети, где они применяются и как самому создать такую сеть, не имея опыта работы в данной области.
  • Искусственный интеллект. Современный подход [68] — помимо сугубо теоретической части, представлено множество примеров алгоритмов, версии которых, реализованные на различных языках программирования, можно найти на сопровождающем книгу интернет-ресурсе.
  • Искусственный интеллект. Стратегии и методы решения сложных проблем [69] — данная книга посвящена одной из наиболее перспективных и привлекательных областей развития научного знания — методологии искусственного интеллекта.
  • Нейронные сети. Полный курс [70]— в книге рассматриваются основные парадигмы искусственных нейронных сетей. Представленный материал содержит строгое математическое обоснование всех нейросетевых парадигм, иллюстрируется примерами, описанием компьютерных экспериментов, содержит множество практических задач.
  • Введение в анализ данных. Учебник и практикум [71] — в данном учебнике, подготовленном на основе большого международного опыта исследований и преподавания, излагаются основные методы анализа данных, относящихся прежде всего к одному или двум изучаемым признакам.
  • Анализ данных. Учебник [72] — рассмотрены основные методы систематизации, обработки и анализа статистических данных, включающие описательные методы анализа данных, особенности и основные понятия вероятностно-статистического подхода к анализу данных.
  • Прикладные методы анализа данных и знаний [73] — в книге отражены оригинальные результаты, полученные автором и его сотрудниками. Большая часть приведенных в ней алгоритмов давно и широко применяется при решении прикладных задач из области геологии, медицины, экономики, океанологии, речевой технологии и многих других.
  • Анализ данных и регрессия [74] — в книге исследуются проблемы границ применимости статистических методов к анализу реального мира, проблемы качества статистических выводов — что в них существенно и что несущественно.
  • R в действии. Анализ и визуализация данных на языке R [75] — «R в действии» — это руководство по обучению этому языку с особым вниманием к практическим задачам. В данной книге представлены полезные примеры статистической обработки данных и описаны изящные методы работы с запутанными и неполными данными, а также с данными, распределение которых отлично от нормального и с которыми трудно справиться обычными методами.
  • Удовольствие от x. [76] — увлекательная экскурсия в мир математики от одного из лучших преподавателей в мире. «Математика пронизывает все в этом мире, включая нас самих, но, к сожалению, мало кто понимает этот универсальный язык настолько хорошо, чтобы по достоинству оценить его мудрость и красоту. Стивен Строгац — тот самый учитель математики, о котором вы мечтали в школе. Учитель, который способен зажечь искру интереса и привить любовь к своему предмету на всю жизнь. В этой невероятно легкой и увлекательной книге, он дает всем нам второй шанс познакомиться с математикой.
  • Введение в современную математику. Начальные понятия [77] — в книге систематически описываются начальные понятия математики „множество“, „кортеж“, „соответствие“, „функция“, „отношение“. Даются определения некоторых „школьных“ терминов и обозначений (»числовые неравенства", «абсолютная величина», «факториал» и др.)
  • Конкретная математика. Математические основы информатики [78] — назначение данной книги — обеспечить читателя техникой оперирования с дискретными объектами, что совершенно необходимо для математиков, работающих в области информатики. Книга ориентирована в первую очередь на практиков (хотя и теоретики найдут в ней много полезного), и изобилует массой конкретных примеров и упражнений.
  • Математика без формул. Книга первая [79] — в живой и доходчивой форме рассказывается о теоремах, аксиомах и определениях, множествах и отображениях, отношениях, последовательностях и рядах, функциях и их свойствах, дифференциальном и интегральном исчислении.
  • Математика без формул. Книга вторая [80] — сведения о функциональных рядах, линейном и метрическом пространствах, аффинных преобразованиях и группах преобразований, а также об элементах математической логики.
  • Азбука математического анализа. Беседы об основных понятиях. Учебное пособие [81] — в настоящей книге рассматриваются основные понятия и определения математического анализа, изучаемого в средней школе: бесконечная числовая последовательность, предел последовательности, функция и предел функции, дифференцирование и дифференциальные уравнения, интегралы, производные и первообразные. Изложение построено в форме диалога между автором и читателем, являясь одновременно обстоятельным и доступным. Книга предназначена для всех, кто изучает математический анализ, в том числе самостоятельно.
  • Лекции по высшей математике [82] — книгу можно использовать как при прохождении курса в институте, так и при самообразовании, ее можно читать в том или ином объеме в зависимости от потребностей. Важной особенностью книги является ее нацеленность на воспитание прикладного математического мышления [83] и облегчение дальнейшего применения математики в общеинженерных и специальных дисциплинах.
  • Что такое математика? [84] — книга предназначена для школьников, студентов, преподавателей, а также для всех интересующихся развитием математики и ее структурой.
  • Основы математического анализа [85] — «основы математического анализа» задуманы как учебник анализа для студентов первого и второго курсов математических отделений университетов.
  • Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных [86] — эта книга о том, как построить алгоритмы, формирующие интеллектуальное ядро таких веб-приложений.
  • Математические методы обучения по прецедентам (теория обучения машин) [87] — материал находится в стадии разработки, может содержать ошибки и неточности
  • «Распознавание образов: Введение в методы статистического обучения» [88] — предлагаемая книга посвящена общим методам статистического обучения, в частности задаче распознавания. В ней предпринята попытка компактно и единообразно изложить основные современные универсальные методы распознавания и используемый в них математический аппарат.
  • Машинное обучение и анализ данных. Избранные статьи [89] — настоящее издание представляет собой сборник избранных статей Яковлева Евгения Аркадьевича, экстраординарного специалиста в области информационных технологий, советника Российской Академии Естествознания, представленного к многочисленным наградам. В нем собраны, по мнению автора, наиболее интересные и имеющие невероятную научную и практическую ценность работы. Книга адресована широкому кругу читателей-специалистов, в чьи интересы входит машинное обучение.
  • Apache Kafka. Потоковая обработка и анализ данных [90] — при работе любого enterprise-приложения образуются данные: это файлы логов, метрики, информация об активности пользователей, исходящие сообщения и т. п. Правильные манипуляции над всеми этими данными не менее важны, чем сами данные.
  • Статистический анализ и визуализация данных с помощью R [91] — книга адресована студентам, аспирантам, а также молодым и состоявшимся ученым, желающим освоить классические и современные методы анализа данных с использованием языка R.
  • Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP [92] — книга является вторым, обновленным и дополненным, изданием учебного пособия «Методы и модели анализа данных: OLAP и Data Mining».
  • Интеллектуальный анализ данных и гипотеза о компактности классов [93] — в работе рассматривается интеллектуальный анализ данных с использованием критериев оценки истинности гипотезы о компактности классов.
  • Метрический анализ и обработка данных [94] — основная цель книги – ознакомить читателя с наиболее эффективными и апробированными классическими и новыми стохастическими и детерминированными методами оценки и прогнозирования, научить использовать эти методы при решении конкретных задач обработки данных.
  • Интеллектуальный анализ данных и выявление экстремистского контента [95] — в данной книге приводится анализ наиболее распространенных методов и программных комплексов для выявления экстремистского контента, алгоритм для поиска подобного контента в тестовых документах.
  • Методы и алгоритмы анализа данных и их моделирование в MATLAB [96] — рассматриваются модели, методы и алгоритмы анализа данных, используемые в современных системах обработки информации. Приводятся основные понятия и определения общей теории информационных систем, анализируется типовая структура систем извлечения информации и систем обработки информации, рассматриваются типовые задачи анализа данных в системах обработки информации и базовые подходы для их решения.
  • Анализ данных в экономике. Теория вероятностей, прикладная статистика, обработка и визуализация данных в Microsoft Excel. Учебник [97] — содержит интегрированное изложение вероятностно-статистического фундамента анализа данных, его практической реализации в Microsoft Excel, а также примеров и задач, направленных на применение инструментария описательной и предсказательной аналитики в реальных ситуациях принятия решений в экономике, финансах, операционном менеджменте, маркетинге, управлении рисками, логистике и т.д.
  • Анализ данных на компьютере. Учебное пособие [98] — в учебном пособии без лишнего формализма излагаются основные идеи и понятия математической статистики, необходимые на практике для анализа данных. На примерах подробно рассмотрены важнейшие постановки статистических задач и методы их решения, включая расчеты на компьютере в пакете SPSS.
  • Статистические методы анализа данных. Учебник [99]— в учебнике рассмотрены основные темы курса статистики, включенные в образовательный стандарт бакалавриата по направлению «Экономика». Каждая глава включает перечень компетенций, теоретический материал, сопровожденный числовыми примерами на условных и фактических данных, контрольные вопросы, тесты и задания, упражнения компьютерного практикума, которые предназначены для самостоятельной работы студентов, а также для работы в ходе практических занятий.
  • Статистический анализ данных цифровой экономики в системе «Statistica». Учебно-практическое пособие [100] — может быть использовано в качестве как учебника для будущих бакалавров, магистров, аспирантов и всех, кто занимается анализом статистической информации, так и практикума для осваивающих пакет STATISTICA.
  • Регрессионный анализ данных в пакете Mathcad [101] — книга содержит основные теоретические положения по следующим разделам регрессионного анализа экспериментальных данных: регрессионные модели и регрессионное моделирование, парный и множественный регрессионный анализ, построение регрессионных моделей на практике.
  • Основы компьютерной математики с использованием системы MATLAB [102] — в настоящем учебном пособии представлено описание методики изучения одного из важнейших разделов математики — «Линейная алгебра и аналитическая геометрия» — с использованием системы компьютерной математики MATLAB. В учебное пособие включено более 170 примеров и упражнений, около 200 индивидуальных заданий и более 100 контрольных вопросов.
  • Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными [103] — эта полноцветная книга — отличный источник информации для каждого, кто собирается использовать машинное обучение на практике.
  • Алгоритмы. Справочник с примерами на C, C++, Java и Python [104] — выбор подходящего алгоритма среди массы других, способных решить вашу задачу, — дело не из самых простых, и этому вы тоже научитесь в данной книге.
  • Глубокое обучение с точки зрения практика [105] — эта книга не только содержит практически полезную информацию о предмете, но и поможет приступить к созданию эффективных сетей глубокого обучения.
  • Конвейер реального времени. Потоковая обработка данных [106] — эта книга содержит все необходимое для понимания потоковой обработки. Эта насыщенная идеями книга научит вас думать об эффективном взаимодействии с быстрыми потоками данных. В ней выдержан идеальный баланс между широкой картиной и деталями реализации.
  • Элегантный SciPy [107]— если вы — ученый, который программирует на Python, то это практическое руководство для вас! Оно не только познакомит вас с основополагающими компонентами библиотеки SciPy и другими связанными с ней библиотеками, но и даст вам ощущение красоты и удобочитаемости программного кода, который вы сможете применять на практике. Вы научитесь писать элегантный программный код, который ясен, краток и эффективен при исполнении решаемой задачи.
  • Секреты Python. 59 рекомендаций по написанию эффективного кода [108] — опираясь на свой многолетний опыт создания инфраструктурных проектов для компании Google, автор раскрывает секреты малоизвестных аспектов и идиом Python, радикально влияющих на поведение и производительность кода.
  • Язык R в задачах науки о данных. Импорт, подготовка, обработка, визуализация и моделирование данных [109] — эта книга задумана как введение в вычислительную среду R, среду разработки RStudio и библиотеку tidyverse — коллекцию пакетов, совместное использование которых обеспечивает быстроту и легкость анализа данных. Книга ориентирована на читателей, не имеющих предварительного опыта программирования, и предназначена для того, чтобы помочь им в как можно более короткие сроки начать решать задачи науки о данных.
  • Numpy Beginner's Guide [110] — Numpy Beginner's Guide (2nd Edition)
  • Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow [111] — машинное обучение поглощает мир программного обеспечения. Освойте и работайте с передовыми технологиями машинного обучения, нейронных сетей и глубокого обучения с помощью 2-го издания бестселлера Себастьяна Рашки.
  • Построение систем машинного обучения на языке Python [112] — книга рассчитана на программистов, пишущих на Python и желающих узнать о построении систем машинного обучения с помощью библиотек с открытым исходным кодом.
  • Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем [113] — эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения.
  • Введение в статистическое обучение с примерами на языке R [114] — в этой книге описаны одни из наиболее важных методов моделирования и прогнозирования, а также примеры их практического применения.
  • Big Data простым языком [115] — но насколько глубока кроличья нора? Каждому предстоит разобраться в этом самому. Эта книга поможет донести основные принципы проектирования и создания таких интерфейсов управления бизнесом, обществом и окружающим нас миром посредством Больших данных. Читайте, наслаждайтесь и помните: сожжение книг противозаконно.
  • Чистый Python. Тонкости программирования для профи [116] — чтобы освоить Python, нужно не только понимать теоретические аспекты языка. Для достижения этой цели придется понять и принять общие правила и самые лучшие практические приемы, используемые сообществом. Книга Дэна поможет вам в этом путешествии. Я убеждена, что, прочитав ее, вы почувствуете себя увереннее.
  • Стандартная библиотека Python 3. Справочник с примерами [117] — к книге имеются готовые примеры кода, предназначенного для работы с текстом, структурами данных, значениями даты и времени, файловой системой, процессами, потоками, электронной почтой, пакетами и другими ресурсами.

На этом наша короткая подборка подошла к концу. Больше информации о машинном обучении и Data Science вы узнаете подписавшись на мой аккаунт на Хабре [118] и на мой Telegram-канал Нейрон [1]. Не пропускайте будущих статей. Если у вас есть, книги, которыми вы можете поделиться — добавляйте ссылки на них в комментарии, самые крутые я добавлю в список.

Всем знаний!

Автор: Syurmakov

Источник [119]


Сайт-источник PVSM.RU: https://www.pvsm.ru

Путь до страницы источника: https://www.pvsm.ru/python/330924

Ссылки в тексте:

[1] здесь: https://telega.at/neurondata

[2] google docs: https://docs.google.com/spreadsheets/d/1fM6_tV1yYDdk2lIwMXQ2FO8fHQiuvKWiPOLUH22ysHM/edit#gid=1115838130

[3] Машинное обучение: http://www.ozon.ru/context/detail/id/140959418/

[4] Математические основы машинного обучения и прогнозирования: http://www.ozon.ru/context/detail/id/31454472/

[5] Верховный алгоритм: http://www.ozon.ru/context/detail/id/137340778/

[6] The Elements of Statistical Learning. Data Mining, Inference and Prediction: https://www.ozon.ru/context/detail/id/1863100/

[7] Machine Learning, Neural and Statistical Classification: https://www1.maths.leeds.ac.uk/~charles/statlog/whole.pdf

[8] Introduction to machine learning: http://robotics.stanford.edu/~nilsson/MLBOOK.pdf

[9] Машинное обучение: http://www.ozon.ru/context/detail/id/139534173/

[10] Обучение с подкреплением: https://www.ozon.ru/context/detail/id/7107485/

[11] Bayesian Reasoning and Machine Learning: http://web4.cs.ucl.ac.uk/staff/D.Barber/textbook/090310.pdf

[12] Neural Network Design: http://hagan.okstate.edu/NNDesign.pdf

[13] Deep Learning: https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618/ref=sr_1_1?s=books&ie=UTF8&qid=1506585748&sr=1-1&keywords=Deep+Learning+Ian+Goodfellow%2C+Yoshua+Bengio%2C+Aaron+Courville

[14] Neural Networks: A Systematic Introduction: https://www.amazon.com/Neural-Networks-Introduction-Raul-Rojas/dp/3540605053/ref=sr_1_1?s=books&ie=UTF8&qid=1506586517&sr=1-1&keywords=Neural+Networks%3A+A+Systematic+Introduction+Raul+Rojas%2C+J.+Feldman

[15] Pattern Recognition and Machine Learning (Information Science and Statistics): https://www.amazon.com/Pattern-Recognition-Learning-Information-Statistics/dp/0387310738/ref=sr_1_1?s=books&ie=UTF8&qid=1506586963&sr=1-1&keywords=Pattern+Recognition+and+Machine+Learning+%28Information+Science+and+Statistics%29+Christopher+M.+Bishop

[16] Make Your Own Neural Network: https://www.amazon.com/Make-Your-Own-Neural-Network/dp/1530826608/ref=sr_1_1?s=books&ie=UTF8&qid=1506588111&sr=1-1&keywords=Make+Your+Own+Neural+Network+Tariq+Rashid

[17] Mahout in Action: https://www.amazon.com/Mahout-Action-Sean-Owen/dp/1935182684

[18] Машинное обучение: https://www.litres.ru/peter-flah/mashinnoe-obuchenie-nauka-i-iskusstvo-postroeniya-algoritmov-kotorye-izvlekaut-znaniya-iz-dannyh-22678129/

[19] Python для сложных задач. Наука о данных и машинное обучение: https://www.litres.ru/dzh-vander-plas/python-dlya-slozhnyh-zadach-nauka-o-dannyh-i-mashinnoe-obuchenie-27612904/

[20] Глубокое обучение: https://www.litres.ru/aaron-kurvill/glubokoe-obuchenie-28259806/

[21] Глубокое обучение. Погружение в мир нейронных сетей: https://www.litres.ru/a-kadurin-13464223/glubokoe-obuchenie-pogruzhenie-v-mir-neyronnyh-29817855/

[22] Машинное обучение с использованием библиотеки Н2О: https://www.litres.ru/darren-kuk/mashinnoe-obuchenie-s-ispolzovaniem-biblioteki-n2o-27068893/

[23] Крупномасштабное машинное обучение вместе с Python: https://www.litres.ru/alberto-bosketti/krupnomasshtabnoe-mashinnoe-obuchenie-vmeste-s-python-27069029/

[24] Введение в статистическое обучение с примерами на языке R: https://www.litres.ru/garet-dzheyms/vvedenie-v-statisticheskoe-obuchenie-s-primerami-na-yazyke-r-22806656/

[25] Теоретический минимум по Big Data. Всё что нужно знать о больших данных: https://www.litres.ru/annalin-yn-18455343/teoreticheskiy-minimum-po-big-data-vse-chto-n-42226738/

[26] Библиотека Keras – инструмент глубокого обучения: https://www.litres.ru/antonio-dzhulli/biblioteka-keras-instrument-glubokogo-obucheniya-realizaciya-neyronnyh-setey-s-pomoschu-bibliotek-theano-i-tensorflow-27066901/

[27] Изучаем Spark. Молниеносный анализ данных: https://www.litres.ru/matey-zahariya/izuchaem-spark-molnienosnyy-analiz-dannyh-22849675/

[28] Машинное обучение и TensorFlow: https://www.litres.ru/nishant-shakla-18777941/mashinnoe-obuchenie-i-tensorflow-43123739/

[29] Глубокое обучение на Python: https://www.ozon.ru/context/detail/id/145615583/

[30] Построение систем машинного обучения на языке Python: https://www.litres.ru/villi-richart/postroenie-sistem-mashinnogo-obucheniya-na-yazyke-python-22873803/

[31] Прагматичный ИИ. Машинное обучение и облачные технологии: https://www.litres.ru/noa-gift/pragmatichnyy-ii-mashinnoe-obuchenie-i-oblachnye-tehnolo-42226739/

[32] Глубокое обучение на R: https://www.litres.ru/fransua-sholle-17338303/glubokoe-obuchenie-na-r-39123343/

[33] Вероятностное программирование на практике: https://www.litres.ru/a-pfeffer/veroyatnostnoe-programmirovanie-na-praktike-22806664/

[34] Программирование искусственного интеллекта в приложениях: https://www.litres.ru/tim-dzhons-m/programmirovanie-iskusstvennogo-intellekta-v-prilozheniyah-27059022/

[35] Искусственный интеллект и универсальное мышление: https://www.litres.ru/a-s-potapov/iskusstvennyy-intellekt-i-universalnoe-myshlenie-27349016/

[36] Распознавание образов и машинное восприятие: https://www.litres.ru/a-s-potapov/raspoznavanie-obrazov-i-mashinnoe-vospriyatie-27351864/

[37] Использование искусственного интеллекта – реальность и перспективы: https://www.litres.ru/o-p-kultygin/ispolzovanie-iskusstvennogo-intellekta-realnost-i-pe-42584339/

[38] Python и анализ данных: https://www.litres.ru/ues-makkinni-10688670/python-i-analiz-dannyh-22805830/

[39] Дискретная математика для программистов: https://www.litres.ru/rod-haggarti/diskretnaya-matematika-dlya-programmistov/

[40] Введение в теорию алгоритмов и структур данных: https://www.litres.ru/m-a-babenko/vvedenie-v-teoriu-algoritmov-i-struktur-dannyh-20055395/

[41] Анализ данных и машинное обучение на платформе MS SQL Server: https://www.litres.ru/u-n-kondrashov/analiz-dannyh-i-mashinnoe-obuchenie-na-platforme-m-43260600/

[42] Data Science. Наука о данных с нуля: https://www.litres.ru/dzhoel-gras-17430415/data-science-nauka-o-dannyh-s-nulya-39286388/

[43] Data Science. Инсайдерская информация для новичков. Включая язык R: https://www.litres.ru/keti-o-nil-17624494/data-science-insayderskaya-informaciya-dlya-n-39459596/

[44] Data Science For Dummies: https://www.litres.ru/jake-porway/data-science-for-dummies-28281273/

[45] Аналитика и Data Science: https://www.litres.ru/nikita-sergeev/analitika-i-data-science-dlya-ne-analitikov-i-dazhe-100-gum/

[46] Databases in DMS of Microsoft Access: methodical handbook on computer science: https://www.litres.ru/ekaterina-pozhidaeva/databases-in-dms-of-microsoft-access-methodi-38905761/

[47] Аналитическая культура. От сбора данных до бизнес-результатов: https://www.litres.ru/karl-anderson-11438349/analiticheskaya-kultura-ot-sbora-dannyh-do-biznes-rezultatov/

[48] A Brief Introduction to Machine Learning for Engineers: https://arxiv.org/pdf/1709.02840.pdf

[49] A Brief Introduction to Neural Networks: http://www.dkriesel.com/en/science/neural_networks

[50] A Course in Machine Learning: http://ciml.info/dl/v0_9/ciml-v0_9-all.pdf

[51] A First Encounter with Machine Learning: https://www.ics.uci.edu/~welling/teaching/ICS273Afall11/IntroMLBook.pdf

[52] An Introduction to Statistical Learning: http://www-bcf.usc.edu/~gareth/ISL/

[53] Bayesian Reasoning and Machine Learning: http://web4.cs.ucl.ac.uk/staff/D.Barber/pmwiki/pmwiki.php?n=Brml.HomePage

[54] Deep Learning: http://www.deeplearningbook.org/

[55] Gaussian Processes for Machine Learning: http://www.gaussianprocess.org/gpml/

[56] Information Theory, Inference, and Learning Algorithms: http://www.inference.phy.cam.ac.uk/itila/

[57] Introduction to Machine Learning: http://arxiv.org/abs/0904.3664v1

[58] Learn Tensorflow : https://bitbucket.org/hrojas/learn-tensorflow

[59] Learning Deep Architectures for AI: http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf

[60] Machine Learning, Neural and Statistical Classification : http://www1.maths.leeds.ac.uk/~charles/statlog/

[61] Neural Networks and Deep Learning: http://neuralnetworksanddeeplearning.com/

[62] Probabilistic Models in the Study of Language: http://idiom.ucsd.edu/~rlevy/pmsl_textbook/text.html

[63] Reinforcement Learning: An Introduction (Draft): https://drive.google.com/file/d/1opPSz5AZ_kVa1uWOdOiveNiBFiEOHjkG/view

[64] Speech and Language Processing (3rd Edition Draft): https://web.stanford.edu/~jurafsky/slp3/ed3book.pdf

[65] The Elements of Statistical Learning: https://web.stanford.edu/~hastie/ElemStatLearn/

[66] The LION Way: Machine Learning plus Intelligent Optimization: https://intelligent-optimization.org/LIONbook/lionbook_3v0.pdf

[67] Создаем нейронную сеть: https://www.ozon.ru/context/detail/id/141796497/

[68] Искусственный интеллект. Современный подход: https://www.ozon.ru/context/detail/id/31336425/

[69] Искусственный интеллект. Стратегии и методы решения сложных проблем: https://www.ozon.ru/context/detail/id/29128610/

[70] Нейронные сети. Полный курс : https://www.ozon.ru/context/detail/id/135794246/

[71] Введение в анализ данных. Учебник и практикум: https://www.ozon.ru/context/detail/id/31276096/

[72] Анализ данных. Учебник: https://www.ozon.ru/context/detail/id/138891800/

[73] Прикладные методы анализа данных и знаний: https://www.twirpx.com/file/1207783/

[74] Анализ данных и регрессия: https://www.ozon.ru/context/detail/id/28906275/

[75] R в действии. Анализ и визуализация данных на языке R: https://www.ozon.ru/context/detail/id/136073963/

[76] Удовольствие от x.: https://www.ozon.ru/context/detail/id/26014221/

[77] Введение в современную математику. Начальные понятия: https://www.ozon.ru/context/detail/id/7245110/

[78] Конкретная математика. Математические основы информатики: https://www.ozon.ru/context/detail/id/31333006/

[79] Математика без формул. Книга первая: https://www.ozon.ru/context/detail/id/138398056/

[80] Математика без формул. Книга вторая: https://www.ozon.ru/context/detail/id/140488633/

[81] Азбука математического анализа. Беседы об основных понятиях. Учебное пособие: http://urss.ru/cgi-bin/db.pl?lang=Ru&blang=ru&page=Book&id=250806

[82] Лекции по высшей математике: https://www.ozon.ru/context/detail/id/3557941/

[83] мышления: http://www.braintools.ru

[84] Что такое математика?: https://www.ozon.ru/context/detail/id/34095830/

[85] Основы математического анализа: http://publ.lib.ru/ARCHIVES/F/FIHTENGOL%27C_Grigoriy_Mihaylovich/_Fihtengol%27c_G.M..html

[86] Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных: https://www.ozon.ru/context/detail/id/6753996/

[87] Математические методы обучения по прецедентам (теория обучения машин): http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf

[88] «Распознавание образов: Введение в методы статистического обучения»: http://urss.ru/cgi-bin/db.pl?lang=Ru&blang=ru&page=Book&id=116135

[89] Машинное обучение и анализ данных. Избранные статьи: https://www.ozon.ru/context/detail/id/154617607/

[90] Apache Kafka. Потоковая обработка и анализ данных: https://www.ozon.ru/context/detail/id/151566828/

[91] Статистический анализ и визуализация данных с помощью R: https://www.ozon.ru/context/detail/id/140032798/

[92] Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP: https://www.ozon.ru/context/detail/id/28267415/

[93] Интеллектуальный анализ данных и гипотеза о компактности классов: https://www.ozon.ru/context/detail/id/154613163/

[94] Метрический анализ и обработка данных: https://www.ozon.ru/context/detail/id/139816564/

[95] Интеллектуальный анализ данных и выявление экстремистского контента: https://www.ozon.ru/context/detail/id/154659620/

[96] Методы и алгоритмы анализа данных и их моделирование в MATLAB: https://www.ozon.ru/context/detail/id/141044035/

[97] Анализ данных в экономике. Теория вероятностей, прикладная статистика, обработка и визуализация данных в Microsoft Excel. Учебник: https://www.ozon.ru/context/detail/id/147614548/

[98] Анализ данных на компьютере. Учебное пособие: https://www.ozon.ru/context/detail/id/136251141/

[99] Статистические методы анализа данных. Учебник : https://www.ozon.ru/context/detail/id/139196981/

[100] Статистический анализ данных цифровой экономики в системе «Statistica». Учебно-практическое пособие: https://www.ozon.ru/context/detail/id/148744254/

[101] Регрессионный анализ данных в пакете Mathcad: https://www.ozon.ru/context/detail/id/5935216/

[102] Основы компьютерной математики с использованием системы MATLAB: https://www.ozon.ru/context/detail/id/2331621/

[103] Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными: https://www.ozon.ru/context/detail/id/140891479/

[104] Алгоритмы. Справочник с примерами на C, C++, Java и Python: https://www.ozon.ru/context/detail/id/141008119/

[105] Глубокое обучение с точки зрения практика: https://www.ozon.ru/context/detail/id/144631199/

[106] Конвейер реального времени. Потоковая обработка данных: https://www.ozon.ru/context/detail/id/145044982/

[107] Элегантный SciPy : https://www.ozon.ru/context/detail/id/146721826/

[108] Секреты Python. 59 рекомендаций по написанию эффективного кода: https://www.ozon.ru/context/detail/id/136880759/

[109] Язык R в задачах науки о данных. Импорт, подготовка, обработка, визуализация и моделирование данных: https://www.ozon.ru/context/detail/id/143507572/

[110] Numpy Beginner's Guide: https://www.ozon.ru/context/detail/id/149005941/

[111] Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow: https://www.ozon.ru/context/detail/id/148737574/

[112] Построение систем машинного обучения на языке Python: https://www.ozon.ru/context/detail/id/148388626/

[113] Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем: https://www.ozon.ru/context/detail/id/144106127/

[114] Введение в статистическое обучение с примерами на языке R: https://www.ozon.ru/context/detail/id/139558761/

[115] Big Data простым языком: https://www.ozon.ru/context/detail/id/149250021/

[116] Чистый Python. Тонкости программирования для профи: https://www.ozon.ru/context/detail/id/146393762/

[117] Стандартная библиотека Python 3. Справочник с примерами: https://www.ozon.ru/context/detail/id/146183163/

[118] Хабре: https://habr.com/en/users/syurmakov/

[119] Источник: https://habr.com/ru/post/468037/?utm_campaign=468037&utm_source=habrahabr&utm_medium=rss