Risposte:
Se desideri un libro orientato all'applicazione, considera l' apprendimento automatico basato sui modelli di Christopher Bishop . Ha più libri tecnici che sono ben considerati.
Se stai cercando un sacco di codice, la programmazione probabilistica e i metodi bayesiani per gli hacker sono un'opzione.
Un altro libro introduttivo con un piegato più statistico è An Introduction to apprendimento statistico con applicazioni in R . Ancora una volta, gli autori hanno una versione tecnica ben considerata del libro.
Ho avuto la stessa domanda qualche settimana fa.
Personalmente ho trovato il Python per l'analisi dei dati di O'Reilly molto utile per apprendere le basi. Il libro presume che tu abbia una certa esperienza di programmazione in Python, ma ha anche un'appendice nella parte posteriore per passare attraverso le basi.
L'autore ti offre una vasta gamma di esempi del mondo reale (non Monty Python) all'inizio che puoi creare nei primi capitoli, quindi entra nei dettagli su ogni cosa mentre il libro procede, costruendo le tue conoscenze.
Ho trovato le istruzioni molto semplici e passo dopo passo. Il mio professore che è la mia guida in tutto ciò è stato colpito da quanto velocemente ho imparato.
Ho anche sentito cose positive su Kaggle.
Data Science in the Cloud con Microsoft Azure Machine Learning e R è un libro di testo gratuito che funziona con un esempio dettagliato. Non lasciarti scoraggiare dai particolari strumenti utilizzati in quanto non ti servono per ottenere alcuni vantaggi dal libro.
Un'altra cosa che mi è piaciuta è la Programmazione dell'Intelligenza Collettiva che attraversa anche una serie di progetti in dettaglio, inclusa la parte di web scraping su cui la maggior parte dei libri brilla.
Posso consigliare questa raccolta di taccuini Ipython che include taccuini commentati di Data Science, Statistics e Machine Learning.
https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks
Un posto dove potresti trovare alcune interessanti spiegazioni passo-passo è il tutorial di Kaggle e le interviste del vincitore . Spesso le persone pubblicheranno un riepilogo dettagliato del loro approccio.
Uno dei migliori libri che mi sono imbattuto è Machine Learning in Python di Sebastian Raschka. Semplici esempi, spiegazione dettagliata e giusta quantità di matematica.
La struttura del libro copre l'intero processo dalla pulizia dei dati alla raccolta e valutazione.
Dai un'occhiata a :
https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/
Questo ha un tutorial passo-passo che ti darà un'idea dell'intero processo di esplorazione dei dati, analisi dei dati e costruzione di un modello predittivo.
La spiegazione relativa all'esplorazione dei dati e all'ingegneria delle funzionalità (come scegliere le funzionalità pertinenti) è qui:
https://www.analyticsvidhya.com/blog/2016/01/guide-data-exploration/
Guarda qui i primi 5 set di dati che contengono tutorial e lavorano su di essi per ottenere un'esperienza pratica:
Dai anche un'occhiata a:
http://machinelearningmastery.com/machine-learning-in-python-step-by-step/
dove usa più modelli su un singolo set di dati che ti fornirà una comprensione di base dei diversi modelli.
Per saperne di più sulla selezione del modello dai un'occhiata a questo:
https://www.quora.com/Data-Science-How-do-Data-Scientists-perform-model-selection
Il link sopra ha le risposte fornite dalle persone che lavorano sul campo.
Per ottenere approfondimenti su diversi set di dati, è sempre possibile accedere a Kaggle, passare le competizioni e dare un'occhiata alla vasta gamma di set di dati, in cui è possibile accedere al codice delle persone nei kernel. I forum di Kaggle sono utili mentre le persone discutono sull'uso di diversi modelli per un problema e il loro approccio.