Книги по машинному обучению: как выбрать учебник под свою задачу

Лучшая книга по машинному обучению зависит от подготовки и цели. Для понимания проверки моделей нужен один акцент, для работы с нейросетями - другой. Книга с большим числом формул не обязательно окажется полезнее именно на текущем этапе.

Перед выбором запишите, что хотите сделать после чтения: объяснить метрики, построить первый классификатор или разобраться в обучении глубокой сети. Затем сравнивайте оглавления и упражнения, а не только оценки магазина.

Для связи статистики и моделей

An Introduction to Statistical Learning посвящена статистическому обучению. На сайте авторов доступны материалы и издания с практическими лабораторными работами. Python-издание вышло в 2023 году; также есть издания с R.

Такую книгу удобно выбирать, если хочется связать регрессию, классификацию и оценку моделей в одну систему. До начала проверьте, что язык практикумов совпадает с вашим планом. Перевод текста не всегда означает, что весь сопровождающий код относится к той же редакции.

Для общего устройства машинного обучения

Machine Learning Тома Митчелла опубликована в 1997 году. Оглавление охватывает деревья решений, нейронные сети, байесовское обучение, оценку гипотез и другие темы. Сайт автора содержит дополнительные материалы.

Это исторически более ранний учебник. Его стоит рассматривать как источник понятий и подходов, а не как руководство по текущим версиям Python-библиотек. Для запуска современного проекта потребуется отдельная документация инструментов.

Для глубокого обучения

Deep Learning Иэна Гудфеллоу, Йошуа Бенджио и Аарона Курвилля опубликована в 2016 году. На сайте авторов доступна онлайн-версия. Структура включает математические основы, машинное обучение, глубокие сети и исследовательские темы.

Перед выбором просмотрите разделы линейной алгебры и вероятности. Если обозначения пока мешают понимать аргумент, полезно сначала восполнить конкретные пробелы. При этом фундаментальный учебник не заменяет актуальное руководство выбранного фреймворка.

Как проверить соответствие своему уровню

Откройте одну главу и выполните короткое упражнение. Попробуйте объяснить основное понятие своими словами. Если мешает синтаксис кода, добавьте практику языка. Если непонятен смысл формул, разберите небольшой численный пример.

Выбирайте один основной учебник и один справочный источник. Одновременное чтение нескольких вводных книг часто создаёт повторение терминов без законченного проекта.

План чтения с проверяемым результатом

После главы о регрессии обучите простую модель и сравните её с постоянным прогнозом. После раздела о проверке измените разбиение и объясните разницу. После деревьев ограничьте глубину и посмотрите на ошибки.

Сохраняйте вопросы, параметры и результаты в отдельной тетради или репозитории. Если эксперимент не повторяется, запишите причину. Такая запись полезнее большого числа выделенных абзацев.

Базовые вычисления разобраны в статье о математике для машинного обучения, а небольшой программный эксперимент - в первом примере на Python.