La autoeducación es quizás uno de los caminos y procesos más difíciles para un adulto. Con tantas distracciones alrededor, es difícil decidirse a seguir adelante (especialmente si la motivación no es obvia). Pero la autoeducación como evolución es una parte integral de la vida de cualquier profesional o de quien quiera convertirse en uno. En este caso, los libros pueden convertirse en el mismo tiro que mata dos pájaros de un tiro, ambos crecen como especialistas y no "se caen de la vida". El autor del material ha seleccionado 7 libros electrónicos gratuitos para ayudarlo a aprender ciencia de datos y aprendizaje automático.
1. Aprendizaje profundo
Por Ian Goodfellow, Joshua Bengio y Aaron Courville.
Deep Learning se publicó por primera vez en 2016. Fue uno de los primeros libros dedicados al aprendizaje profundo. El libro fue escrito por un equipo de investigadores distinguidos que estaban a la vanguardia del desarrollo en ese momento. Este trabajo en el campo de las redes neuronales sigue siendo influyente y respetado. El trabajo presentado es un tratado teórico sobre el aprendizaje profundo, desde conceptos básicos hasta ideas modernas como las redes generativas complejas y la aplicación del aprendizaje automático en los negocios y más allá. Este libro es una explicación detallada basada en matemáticas del campo de la ciencia. Si desea adquirir un conocimiento básico amplio de los elementos más avanzados de este campo, este libro es para usted.
2. Sumérjase en el aprendizaje profundo
Por Aston Zhang, Zach K. Lipton, Moo Li, Alex J. Resin
Dive Into Deep Learning es un libro interactivo de aprendizaje profundo con código, matemáticas y comentarios. Muestra implementaciones en NumPy, MXNet, PyTorch y TensorFlow. Los autores son empleados de Amazon que utilizan la biblioteca de Amazon MXNet para enseñar aprendizaje profundo. El libro se actualiza periódicamente, así que asegúrese de leer la última revisión.
Zachary Lipton sobre el libro:
Dive into Deep Learning (D2K) ? , . ( ) ( , , ). : , , , . , . , .
3. Machine Learning Yearning
Autor: Andrew Eun.
Este libro fue escrito por Andrew Ng, profesor de la Universidad de Stanford y pionero de la educación en línea. Andrew es uno de los fundadores de Coursera y deeplearning.ai .
Machine Learning Yearning le enseña cómo hacer que los algoritmos de aprendizaje automático funcionen, pero no los algoritmos en sí. Identifica las áreas más prometedoras para el proyecto de IA. Este libro es una joya que le ayudará a resolver problemas prácticos como el diagnóstico de errores en los sistemas de aprendizaje automático. Ella le enseñará cómo aplicar el aprendizaje de un extremo a otro, el aprendizaje por transferencia, el aprendizaje multitarea y más.
4. Aprendizaje automático interpretable
Autor: Christoph Molnar.
Técnicamente, este libro no es gratuito. Se vende pagando lo que quieras.
El aprendizaje automático interpretable se centra en modelos de aprendizaje automático para datos tabulares (también llamados datos relacionales o estructurados) y pone menos énfasis en la visión por computadora y las tareas de procesamiento del lenguaje natural. Este libro está recomendado para expertos en aprendizaje automático, científicos de datos, estadísticos y cualquier persona interesada en interpretar modelos de aprendizaje automático. Detalla cómo elegir y aplicar las mejores técnicas de interpretación de aprendizaje automático en su proyecto.
5. Métodos bayesianos para piratas informáticos
Publicado por Cameron Davidson.
Métodos bayesianos para piratas informáticos El libro se centra en un área importante de la ciencia de datos llamada inferencia bayesiana . Bayesian Methods for Hackers está diseñado como una introducción a la inferencia bayesiana en términos de comprensión primero, computación y matemáticas en segundo lugar. El libro está dirigido a entusiastas que no tienen una formación matemática seria, pero que practican métodos bayesianos. Para esas personas, este texto debería ser lo suficientemente interesante. Este libro también es un gran recurso para aprender PyMC, un lenguaje de programación probabilístico Python.
6. Manual de ciencia de datos de Python
Publicado por Jake Vanderplace.
El Manual de ciencia de datos de Python está dirigido a jóvenes científicos de datos. Le muestra cómo trabajar con las herramientas más importantes, incluidas IPython, NumPy, Pandas, Matplotlib, Scikit-Learn y muchas más. Este libro es ideal para resolver tareas del día a día como limpiar, manipular y transformar datos, así como para construir modelos de aprendizaje automático.
7. Introducción al aprendizaje estadístico
Por Gareth James, Daniela Witten, Trevor Hasti y Robert Tibshirani.
Una introducción al aprendizaje estadístico es una introducción a los métodos de aprendizaje estadístico. El libro está dirigido a estudiantes de último año, maestrías y posgraduados de ciencias no matemáticas. Contiene una serie de laboratorios en R con explicaciones detalladas sobre cómo implementar varios métodos en entornos del mundo real. Este texto debería ser un recurso valioso para el profesional de datos.
Puede obtener una profesión demandada desde cero o subir de nivel en habilidades y salario tomando cursos en línea de SkillFactory:
- Formación de la profesión de ciencia de datos desde cero (12 meses)
- Bootcamp en línea de ciencia de datos (14 semanas)
- Curso de aprendizaje automático (12 semanas)
- « Machine Learning Data Science» (20 )
- «Machine Learning Pro + Deep Learning» (20 )
E
- - Data Analytics (5 )
- (18 )
- (6 )
- DevOps (12 )
- - (8 )
- «Python -» (9 )
- iOS- (12 )
- Android- (18 )
- Java- (18 )
- JavaScript (12 )
- UX- (9 )
- Web- (7 )
