Egy új készség elsajátítása nem feltétlenül pénz kérdése. Csak időre és elszántságra van szükség ahhoz, hogy még akár idén új készségeket sajátíthasson el! Ebben a cikkben a DATA SCIENCE tudományáról és annak varázslóiról, a DATA SCIENTIST-ekről, azaz az adatok nyelvét beszélő specialistákról lesz szó, nekik ajánlunk néhány rendkívül hasznos olvasnivalót!
Számos nagyszerű online forrás található az adattudomány elsajátításához. Néhány ezek közül ingyenes, a többiért fizetni kell. Vannak drága kurzusok is a mesterséges intelligencia tanulmányozására. Nem egyszerű a választás.
De hadd áruljunk el egy titkot: egy új készség elsajátítása nem feltétlenül pénz kérdése! Csak időre és elszántságra van szükség! Ebben a cikkben a Towards data science szerzői 7 ingyenes e-könyvet állítottak össze, amelyek segítenek az adattudomány és a gépi tanulás megismerésében!
Tanulásra fel!
1. „Deep Learning” (Mély tanulás)
Szerzők: Ian Goodfellow, Yoshua Bengio és Aaron Courville
A „Deep Learning” című könyv eredetileg 2016-ban jelent meg, ez volt az egyik első könyv, amelyet a „mély tanulás” témakörének szenteltek. A könyvet az akkori fejlesztések élvonalában álló, kiemelkedő kutatókból álló csapat írta, és még ma is rendkívül magas befolyással bíró és tekintélyes munkának számít a mély neurális hálózatok tématerületén.
Ez egy alulról felfelé építkező, nehéz elméleti értekezés a „mély tanulásról”. Ez nem egy olyan könyv, amely tele van kódokkal és hozzájuk tartozó megjegyzésekkel, és nem is a neurális hálózatok felszínes áttekintése. Ez a terület mélyreható matematikai alapú vizsgálata.
2. „Dive Into Deep Learning” (Merüljön el a mély tanulásban!)
Szerzők: Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola
A „Dive Into Deep Learning” egy interaktív mély tanulási könyv, kódokkal, matematikával és beszélgetésekkel felvértezve. NumPy / MXNet, PyTorch és TensorFlow implementációkat biztosít. A szerzők az Amazon alkalmazottai, akik az Amazon MXNet könyvtárát használják a Deep Learning tanításához. A könyvet rendszeresen frissítik, ezért mindenképpen a legújabb verziót keresse!
Zachary Lipton így fogalmazta meg a könyv lényegét:
„A „Dive Into Deep Learning” (D2K) könyvet az teszi egyedülállóvá, hogy annyira a cselekvés általi tanulást állítottuk a középpontba, hogy a teljes könyv önmaga is futtatható kódokból áll. Megpróbáltuk kombinálni a tankönyvek legjobb aspektusait (egyértelműség és matematika) a gyakorlati útmutatók legjobb aspektusaival (gyakorlati készségek, referencia-kód, megvalósítási trükkök és intuíció). Minden fejezetrész egyetlen kulcsötletet tanít többféle modalitáson keresztül, egyesítve a kötetlen szövegrészeket, a matematikát és az önálló implementáció bemutatását, amelyek segíthetnek elindítani az olvasó saját projektjeit. Úgy gondoljuk, hogy ez a megközelítés elengedhetetlen a mély tanulás tanításához, hiszen a mély tanulás alapvető ismereteinek nagy része a kísérletezésből származik.”
3. „Machine Learning Yearning” (Gépi tanulás)
Szerző: Andrew Ng
Ezt a könyvet Andrew Ng, a Stanford Egyetem professzora, az online oktatás úttörője írta. Ő egyben a Coursera és a deeplearning.ai társalapítója is.
A „Machine Learning Yearning” című könyv nem a gépi tanulás algoritmusait tanítja meg, hanem arra összpontosít, hogy ezeket az algoritmusokat hogyan tudjuk működtetni. A mesterséges intelligencia legígéretesebb irányaira fókuszál. A könyv hasznos információk kiváló gyűjteménye, amelyek segíthetnek olyan gyakorlati problémák megoldásában, mint például a gépi tanulási rendszerek hibáinak diagnosztizálása, a végpontok közötti tanulás, a transzfertanulás, vagy épp a többfeladatos tanulás alkalmazása.
4. „Interpretable Machine Learning” (Értelmezhető gépi tanulás) – Útmutató a fekete dobozos modellek magyarázhatóvá tételéhez
Szerző: Christoph Molnar
Ez a könyv az „Annyit fizet érte, amennyit szeretne” árstratégiát használja, tehát technikailag nem ingyenes.
Az „Interpretable Machine Learning” című könyva táblázatos adatok (más néven relációs vagy strukturált adatok) ML (Machine Learning, azaz gépi tanulás) modelljeire összpontosít inkább, kevésbé szól a gépi látás (computer vision) és a természetes nyelvi feldolgozás témáiról.
Javasoljuk ezt a könyvet a gépi tanulással foglalkozóknak, adattudósoknak, statisztikusoknak és bárki olyannak, aki érdekelt abban, hogy a gépi tanulási modelleket értelmezhetővé tegye. Részletesen bemutatja, hogyan kell kiválasztani és alkalmazni a gépi tanulási projekt legjobb értelmezési módszereit.
5. „Bayesian Methods for Hackers” (Bayesi módszerek hackereknek)
Szerző: Cameron Davidson
A „Bayesian Methods for Hackers” című könyv technikailag nem egy gépi tanulásról szóló könyv, mivel sokkal inkább az adattudomány egyik fontos területére összpontosít, amelyet „Bayesiánus statisztikának” vagy következtetésnek neveznek.
A könyv bemutatja a Bayesiánus következtetés módszerét úgy, hogy elsőként a számítási / megértési szempontok, majd ezt követően a matematikai szempontok érvényesülnek. A könyv azon téma iránt érdeklődő, de kevesebb matematikai háttérrel rendelkezőknek szól, vagy azoknak, akiket nem a matematika érdekel, hanem egyszerűen a bayesi módszerek gyakorlása érdekel. Nekik a könyv szövegezése elegendő és szórakoztató lesz!
Ez a könyv a fentieken kívül nagyszerű forrás a PyMC, azaz a valószínűségi programozási nyelv Pythonban történő elsajátításához is.
6. Python Data Science Handbook (A Python Adattudomány kézikönyve)
Szerző: Jake VanderPlas
Ez a könyv a junior adattudósok számára íródott. Bemutatja a legfontosabb eszközök használatát, beleértve az IPython, a NumPy, a Pandas, a Matplotlib, a Scikit-Learn és még sok egyéb eszközt. Ez a könyv tökéletes a mindennapi kérdések kezelésére, mint például az adatok tisztítása, manipulálása és átalakítása, vagy gépi tanulási modellek felépítése.
7. An Introduction to Statistical Learning (Bevezetés a statisztikai tanulásba – az R alkalmazással)
Szerzők: Gareth James, Daniela Witten, Trevor Hastie és Robert Tibshirani
Utolsó könyvünk bevezetést nyújt a statisztikai tanulási módszereibe. Célközönsége a felsőbb szintű egyetemi hallgatók, a mester hallgatók és a nem matematikai tudományok Ph.D. hallgatói. A könyv számos R laboratóriumot is tartalmaz, amelyek részletes magyarázatokat nyújtanak a különböző módszerek valós életben történő alkalmazásáról. Mindezek értékes információkkal szolgálhatnak egy gyakorló adattudós számára.
Cikk forrása: towards data science: 7 Free eBooks every Data Scientist should read in 2020
