же интересно было бы узнать, какую книжку лучше начать изучать в моей ситуации. Магистр второго курса, направление - программная инженерия. Я уже три года кручусь в ds, применял всякие алгоритмы по классификации, регресси, уменьшения пространства признаков, визуализации, кластеризации и прогнозированию временных рядов. Прочитал несколько книг по аналитике и машинному обучению, по нейронным сетям в том числе. Но не дает покоя одна мысль. Такое ощущение, что мои знания довольно поверхностные, и я сам не смогу некоторые из методов самому написать, так как не слишком глубоко владею теорией машинного обучения, так скажем. Кроме того, далеко не все формулы из книжек я понимал. Допустим, в книге "Элементы статистического обучения" я далеко не все формулы мог осилить, как будто не хватало некоторых промежуточных рассчетов для меня. Надо как-то с этим бороться, а то так и буду вечно только применять чужие алгоритмы, хочется и свой вклад как-то сделать. А без глубокого понимания даже пытаться бессмысленно, как мне кажется. Много мелькали книжки бишопа или мерфи:
"Machine Learning: A Probabilistic Perspective", by Kevin P. Murphy.
"Pattern Recognition and Machine Learning", by Christopher Bishop.
Почитал, разные отзывы на книги, и как-то не совсем понятно, что именно лучше выбрать, чтоб понимать суть методов, а также всю математику, которая лежит в них и в их выводах. Есть ли у вас советы по этому поводу? Или может какие-то другие книжки есть?
Со списком литературы на стеке знаком, хотелось бы послушать людей, которые с этой проблемой разобрались
Могу скинуть не книги, а статьи и курсы для того чтобы «воткнуться в глубинное обучение»
Обсуждают сегодня