隨著深度學習、人工智能熱度升高,越來越多的計算機及其相關專業的學生迫不及待得加入了深度學習的大軍。但當你面對浩如煙海的機器學習、深度學習書籍課程時,是否感覺到了無從下手。不要急,看了這篇文章,你就可以根據自己的需要來選擇當前最適合的書籍或課程來學習了(
我所推薦的每一本書或課程都是我自己已經看完了或者現在還在看,個人覺得很不錯才推薦,同時也會根據我的理解說明每一本書的特點,以下評分均為5分制)。大概需要5分鐘時間閱讀全文,(資料下載在末尾)
--------------------------------------------------------------------------
1.python數據分析與展示-中國大學MOOC
實戰指數: 5
理論指數: 0
難度係數: 1
課程鏈接如下: https://www.icourse163.org/course/BIT-1001870002
推薦一下北極理工大學嵩天副教授的《python數據分析與展示》,通過這門課的學習。可以初步瞭解這三個庫的基本使用方法
- numpy庫(數學運算)
- Matplotlib(繪製圖表)
- Pandas(清洗數據)
這些庫是學習機器學習和深度學習必須要掌握的三個python庫。課程目標定位為剛剛接觸python的初學者,因此學起來壓力比較小,很容易樹立信心。
2. deeplearning.ai
實戰指數: 5
理論指數: 2.5
難度係數: 3.5
課程鏈接: 深度學習工程師微專業 - 一線人工智能大師吳恩達親研-網易雲課堂 - 網易雲課堂
吳恩達的deeplearning.ai課程,真的是非常非常的棒了,當你完成這門課,你將會學到
- 深度學習的基本知識
- 計算機視覺、自然語言處理的基本知識
- Tensorflow的使用方法
不過如果你僅僅看了視頻,那麼我覺得你最多可以學習到這門課的30%,因為這門課不僅僅是講解的好,更重要的是每一小節都附帶作業和編程練習,只有完成了這些,才算真的學完了這門課。這才是這門課的精華所在,如果你可以獨立的完成這些習題並且搞明白概念,那麼你已經入門深度學習了。不過這門課的第四五部分對初學者不是很友好,需要額外查閱一定量的資料才能完成。
3.《統計學習方法》李航
實戰指數: 3
理論指數: 3.5
難度係數: 2.5
如果你是機器學習的初學者,那麼我建議你看的第一本書就是《統計學習方法》,書中簡單的介紹了常用的機器學習方法的原理和其實現步驟。需要讀者有一定的線性代數和高等數學基礎。當你能夠把書中的內容基本搞明白,那麼我建議你選擇幾個經典的算法,例如EM、決策樹等按照樹中所給的實現步驟自己編程實現一下,絕對會有新的體驗。此書非常適合剛剛學習機器學習的讀者。
4. 《機器學習》周志華
實戰指數: 2
理論指數:3.5
難度係數: 3
這本書的定位也是機器學習的初學者,但是相對上面的《統計學習方法》,這本書涵蓋的知識點也更多一些,兩者的內容也有一定的重疊,不過各有側重,搭配使用效果拔群。通過閱讀這本書,你可以瞭解到機器學習各個領域的基本概念,就像周志華老師在書中所說:這本書就像一張地圖,讓你明白機器學習各個領域的概念。雖然前面大部分都通俗易懂,但是後面的部分還是有一點難度。
5. 《深度學習》(花書)
實戰指數: 1
理論指數:3.5
難度係數: 3
一本很不錯的書,相信大部分人都應該看過,就不做過多介紹。
6. 《機器學習實戰》
實戰指數: 3.5
理論指數: 2
難度係數: 2.5
此書籍使用python實現了各種經典和常用的機器學習算法,如果你有時間的話,建議跟隨著書籍把這些算法都自己實現一遍,有助於你對機器學習算法的理解;如果時間比較緊迫,那麼也要將本書看一遍,對算法的實現有一個大概的瞭解,瞭解算法中每個參數是如何影響算法的效果。
7. 《python機器學習經典實例》
實戰指數: 4.5
理論指數: 1
難度係數: 2.5
如果你已經掌握了基本的機器學習方法,需要通過一些實戰來進一步提高自己,那麼《python機器學習經典實例》就正是你所需要的書籍了。書籍共有11章,每一章都是不同的項目,通過調用python中的sklearn庫實現了進行迴歸、聚類、預測或者分類模型,方法涉及到了線性迴歸、KNN、聚類、馬爾科夫鏈、神經網絡等等。通過閱讀本書,你可以掌握如下技能:
- sklearn、numpy、pandas庫的使用方法
- 如何使用機器學習算法解決問題
- 獨立使用機器學習算法搭建項目
8. 《Hands-On Machine Learning with Scikit-Learn & Tensorflow》
實戰指數: 4.7
理論指數: 2.5
難度係數: 3
這本書也是我強烈推薦的一本書籍,書籍主要分為兩大部分,基於sklearn的機器學習算法和基於Tensorflow的深度學習算法,同時兼顧理論和實踐。首先通過一個完整的機器學習項目讓你熟悉搭建一個機器學習項目的流程,然後介紹一些經典的機器學習算法並給出了簡單的例子。深度學習部分,教你如何使用Tensorflow快速搭建屬於自己的神經網絡並實現了一些基於CNN、RNN的小例子。除了內容,
每一章後面都有滿滿的編程練習題,讓你運用所學的知識以鞏固記憶(這本書使用matplotlib做的插圖都很好看,非常值得學習)。通過此書,你可以:- 熟練運用sklearn、numpy、pandas、matplotlib
- 瞭解並會使用Tensorflow
- 擁有獨立使用機器學習算法解決問題的能力
9.《數據挖掘導論》
實戰指數: 1
理論指數: 3.5
難度係數: 3
書籍的主要內容如下:
- 數據清洗、數據預處理
- 簡單介紹了一些分類算法並進行討論
- 關聯分析算法
- 聚類算法
前面的書籍重點都在講述算法的概念和如何使用算法,而此書將使用相當大的篇幅介紹瞭如何對“髒數據”進行清洗,得到我們需要的數據,通過數據預處理,挖掘數據更本質的特徵。並著重講述了用於數據挖掘的算法。通過閱讀此書,你將會學習到:
- 如何處理一份“髒數據”
- 物體之間相似度的度量方法
- 經典的分類、聚類、關聯分析算法
10. 《PRML》
實戰指數: 0.5
理論指數: 5
難度係數: 4.5
這本書是我研究生機器學習課程老師推薦的一本書,他說:“這本書每次看都會有新的發現 ”我現在也還沒有看完,因為裡面的知識太太豐富了,這本書並沒有簡單的介紹每一種算法的思想和理論,而是在更加高的一個層次將這些算法關聯了起來,你能想到線性迴歸和MLE之間的聯繫麼、能想到簡單的K-means算法和EM算法竟然有這這麼密切的關係。對於這本書,只能是一個字:高!。看懂這本書,emmmmmmmm,我也不知道你看完會咋樣,如果到時候手底下需要搬磚的請聯繫我。
EX. Google
終極大殺器,用過的人都說好。
上面的書籍只是我個人閱讀過後覺得不錯因此在此推薦給大家,但是同樣也有很多優秀的書籍和資源我沒有介紹到。同時上面的書籍中的內容也有很大的重疊,因此並不需要全部讀完,相對於讀書,更重要的是進行實戰操作。
書籍和代碼鏈接:
https://github.com/heucoder/ML-DL_bookgithub.com
deeplearing.ai 作業資料百度雲,提取碼(vi5t):
https://pan.baidu.com/s/1YmInMFjAppW_Xz1zL2tUlgpan.baidu.com
閱讀更多 超愛學習 的文章