Unüberschaubare Auswahl an Quellen und Büchern zum Thema Maschinelles Lernen und Datenanalyse
Man findet zahlreiche Tutorials, Artikel und Kurse im Web zu den Themen Maschinelles Lernen und Datenanalyse. So viele, dass man sich nicht immer sicher sein kann, ob man die richtige bzw. beste Einführung in das jeweilige Themengebiet ausgesucht hat. Mit der „falschen“ Lektüre bzw. Einführung kann man viel Zeit verschwenden und im schlimmsten Falle die Lust und den Spaß am jeweiligen Themenkomplex verlieren. Zum Glück gibt es einige hervorragende Bücher. Mit der richtigen Basis, die in den unten aufgeführten Büchern gegeben ist, kann man sich danach ohne größere Schwierigkeiten in weit komplexere und anspruchsvollere Bereiche wagen. Ein Haus kann noch so schön sein, wenn es jedoch auf einem instabilen Fundament gebaut worden ist, droht es jederzeit zusammen zu fallen. Deshalb ist das Grundverständnis eminent wichtig.
Für all diejenigen, die mit Lektüre nichts anfangen können, empfehle ich die Vortragsreihe von Andrew Ng auf Coursera.
Abschließend noch ein paar Worte von Yann LeCun, die es auf den Punkt bringen.
“It’s very much interplay between intuitive insights, theoretical modeling, practical implementations, empirical studies, and scientific analyses. The insight is creative thinking, the modeling is mathematics, the implementation is engineering and sheer hacking, the empirical study and the analysis are actual science. What I am most fond of are beautiful and simple theoretical ideas that can be translated into something that works.” – Yann LeCun
Viel Spaß beim Stöbern…
 |
Programming Collective Intelligence ist eines der besten Bücher, um mit dem maschinellen Lernen zu beginnen.
Das Buch wurde geschrieben lange bevor Data Science und Machine Learning den Kultstatus erlangten, Nicht destotrotz sind die Themen immer noch aktuell. Einige der in diesem Buch behandelten Themen sind kollaborative Filterverfahren, Suchmaschinenfunktionen, Bayes’sche Filterung und Support-Vector-Machines. Das Buch verwendet Python, um maschinelles Lernen auf faszinierende und spielerische Weise nahe zu bringen. |
 |
Dieses Buch wurde von Drew Conway und John Myles White geschrieben. Es basiert in erster Linie auf der Datenanalyse mit R und eignet sich am besten für Anfänger mit Grundkenntnissen in R. Es umfasst ferner die Verwendung von fortgeschrittenen R Techniken, insbesondere in Bereichen Data Wrangling. Zudem enthält es interessante Fallstudien, die Ihnen dabei helfen, die Bedeutung und Verwendung von Algorithmen für maschinelles Lernen leichter zu verstehen. |
 |
Dieses Buch wurde von Yaser Abu Mostafa, Malik Magdon-Ismail und Hsuan-Tien Lin verfasst. Es bietet eine perfekte Einführung in das Maschinelle Lernen und bereitet Sie auch darauf vor, komplexere Bereiche des maschinellen Lernens zu verstehen. Yaser schafft es ohne dabei ausschweifend zu werden die entsprechenden Themen punktgenau zu beschreiben bzw. zu erklären. Wenn Sie sich für dieses Buch entscheiden, empfehle ich Ihnen auch die entsprechenden Online Tutorials. |
 |
Dieses Buch wurde von Trevor Hastie, Robert Tibshirani, Jerome Friedman geschrieben. Es beschreibt detailliert die Algorithmen des maschinellen Lernens aus mathematischer und statistischer Sicht.
Der Schwerpunkt des Buches sind mathematische Ableitungen und die zugrundeliegende Logik die sich hinter einem Algorithmus „verbirgt“. Dieses Buch erfordert ein rudimentäres Verständnis der linearen Algebra und steht kostenlos als PDF zur Verfügung. Zur Download Seite: Elements of Statistical Learning |
 |
Dies ist ein großartiges Einführungsbuch zum maschinellen Lernen. Es bietet einen guten Überblick über sämtliche ML-Theoreme mit Pseudocode Zusammenfassungen und den entsprechenden Algorithmen. Abgesehen von Fallstudien hat Tom einfache Beispiele verwendet, um Ihnen zu helfen, die Algorithmen besser zu verstehen. Es ist ebenfalls kostenlos als PDF verfügbar.
|