Ricettario / scheda di riferimento / cheatsheet di apprendimento automatico?

Trovo incredibilmente utili risorse come il ricettario di probabilità e statistica e la scheda di riferimento R per il data mining . Ovviamente servono anche come riferimenti, ma mi aiutano anche a organizzare i miei pensieri su un argomento e ottenere la disposizione della terra.

D: Esiste qualcosa come queste risorse per i metodi di apprendimento automatico?

Sto immaginando una scheda di riferimento che per ogni metodo ML includerebbe:

• Proprietà generali
• Quando il metodo funziona bene
• Quando il metodo funziona male
• Da quale o a quali altri metodi il metodo generalizza. È stato sostituito per lo più?
• Documenti seminali sul metodo
• Problemi aperti associati al metodo
• Intensità computazionale

Sono sicuro che tutte queste cose possono essere trovate con un minimo di ricerca nei libri di testo. Sarebbe davvero conveniente averli su alcune pagine.

Alcune delle migliori risorse disponibili gratuitamente sono:

• Hastie, Friedman et al. Gli elementi dell'apprendimento statistico: data mining, inferenza e previsione
• David Barber. Ragionamento bayesiano e apprendimento automatico
• David MacKay. Teoria dell'informazione, algoritmi di inferenza e apprendimento (http://www.inference.phy.cam.ac.uk/mackay/itila/)

Per quanto riguarda la domanda dell'autore non ho incontrato la soluzione "Tutto in una pagina"

Se vuoi imparare il Machine Learning ti consiglio vivamente di iscriverti al corso ML online gratuito in inverno tenuto dal Prof. Andrew Ng .

Ho fatto il precedente in autunno e tutto il materiale didattico è di qualità eccezionale e orientato verso applicazioni pratiche, e molto più facile da capire che lottare da solo con un libro.

Ha anche prodotto un frutto appeso piuttosto basso con buone spiegazioni intuitive e la minima quantità di matematica.

Sì, stai bene; "Pattern Recognition and Machine Learning" di Christopher Bishop è un libro eccellente come riferimento generale, non si può davvero sbagliare.

Un libro abbastanza recente ma anche molto ben scritto e altrettanto ampio è il " Bayesian Reasoning and Machine Learning " di David Barber ; un libro che riterrei leggermente più adatto a un nuovo arrivato sul campo.

Ho usato "Gli elementi dell'apprendimento statistico" di Hastie et al. (menzionato da Macro) e, sebbene sia un libro molto forte, non lo consiglierei come primo riferimento; forse ti servirebbe meglio come secondo riferimento per argomenti più specializzati. Sotto questo aspetto, anche il libro di David MacKay, Teoria dell'informazione, inferenza e algoritmi di apprendimento , può fare un lavoro splendido.

Poiché il consenso sembra essere che questa domanda non è un duplicato, mi piacerebbe condividere il mio preferito per i principianti del discente di macchina:

Ho trovato Programming Collective Intelligence il libro più semplice per i principianti, poiché l'autore Toby Segaran è focalizzato nel consentire allo sviluppatore di software mediano di sporcarsi le mani con l'hacking dei dati il ​​più velocemente possibile.

Capitolo tipico: Il problema dei dati è chiaramente descritto, seguito da una spiegazione approssimativa di come funziona l'algoritmo e infine mostra come creare alcune intuizioni con poche righe di codice.

L'uso di Python consente di capire tutto piuttosto velocemente (non è necessario conoscere Python, sul serio, non lo sapevo prima). NON pensare che questo libro si concentri solo sulla creazione di un sistema di raccomandazione. Si occupa anche di estrazione del testo / filtro antispam / ottimizzazione / clustering / convalida ecc. E quindi offre una panoramica accurata degli strumenti di base di ogni minatore di dati.

Witten and Frank, "Data Mining", Elsevier 2005 è un buon libro per l'autoapprendimento in quanto esiste una libreria Java di codice (Weka) da abbinare al libro ed è molto orientato alla pratica. Sospetto che ci sia un'edizione più recente di quella che ho.

Ho Machine Learning: An Algorithmic Perspective di Stephen Marsland e lo trovo molto utile per l'autoapprendimento. Il codice Python è riportato in tutto il libro.

Concordo con quanto affermato in questa recensione favorevole:

http://blog.rtwilson.com/review-machine-learning-an-algorithmic-perspective-by-stephen-marsland/

"Elements of Statistical Learning" sarebbe un ottimo libro per i tuoi scopi. La quinta edizione del libro, che è stato pubblicato all'inizio del 2011, è disponibile gratuitamente all'indirizzo http://www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

• http://scikit-learn.org/stable/tutorial/machine_learning_map/

Spesso la parte più difficile della risoluzione di un problema di apprendimento automatico può essere trovare lo stimatore giusto per il lavoro. Stimatori diversi sono più adatti per diversi tipi di dati e problemi diversi. Il diagramma di flusso di seguito è progettato per fornire agli utenti una guida approssimativa su come affrontare i problemi per quanto riguarda gli stimatori per provare i tuoi dati. Fai clic su uno stimatore nella tabella qui sotto per vedere la sua documentazione.

Il fantastico repository di machine learning sembra essere un elenco principale di risorse, tra cui codice, tutorial e libri .

La maggior parte dei libri citati in altre risposte sono molto buoni e non si può davvero sbagliare con nessuno di essi. Inoltre, trovo abbastanza utile il seguente cheat sheet per Python scikit-learn.

Mi piace Duda, Hart e Stork "Classificazione dei modelli". Questa è una recente revisione di un testo classico che spiega tutto molto bene. Non sono sicuro che sia aggiornato per avere molta copertura di reti neurali e SVM. Il libro di Hastie, Tibshirani e Friedman parla del meglio che esiste, ma potrebbe essere un po 'più tecnico di quello che stai cercando ed è dettagliato piuttosto che una panoramica dell'argomento.

Microsoft Azure fornisce anche un cheat-sheet simile a quello di scikit-learn pubblicato da Anton Tarasenko.

(fonte: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet )

Lo accompagnano con un avviso:

I suggerimenti offerti in questo cheat sheet dell'algoritmo sono regole empiriche approssimative. Alcuni possono essere piegati e alcuni possono essere flagrantemente violati. Questo ha lo scopo di suggerire un punto di partenza. (...)

Microsoft fornisce inoltre un articolo introduttivo che fornisce ulteriori dettagli.

Si noti che tali materiali sono incentrati sui metodi implementati in Microsoft Azure.

Non iniziare con Elements of Statistical Learning. È fantastico, ma è un libro di consultazione, che non suona come quello che stai cercando. Vorrei iniziare con la programmazione dell'intelligenza collettiva in quanto è di facile lettura.

Per un primo libro sull'apprendimento automatico, che fa un buon lavoro di spiegazione dei principi, lo consiglio vivamente

Rogers e Girolami, A First Course in Machine Learning , (Chapman & Hall / CRC Machine Learning & Pattern Recognition), 2011.

Il libro di Chris Bishop, o quello di David Barber, fanno entrambi delle buone scelte per un libro con maggiore ampiezza, una volta che avrete una buona conoscenza dei principi.

Ho scritto un riepilogo del genere, ma solo su un'attività di apprendimento automatico (Premio Netflix) e ha 195 pagine: http://arek-paterek.com/book

Controlla questo link con alcuni ebook gratuiti sull'apprendimento automatico: http://designimag.com/best-free-machine-learning-ebooks/ . potrebbe essere utile per te.

Un buon cheatheet è quello del libro Max Kuhn Applied Predictive Modeling . Nel libro c'è una buona tabella riassuntiva di diversi modelli di apprendimento ML. La tabella è nell'appendice A pagina 549.