标题: 元学习:在自动机器学习和数据挖掘中的应用 作者 Pavel Braddil、Jan N.van Rijn、Carlos Soares、Joaquin Vanschoren 出版商: 施普林格; 第二版(2022年2月24日); 电子书(开放获取、知识共享许可) 许可证: 抄送4.0 精装本: 358页 电子书: PDF格式 语言: 英语 国际标准图书编号-10: 3030670236 ISBN-13: 978-3030670238 分享这个:
不适用
-
自动化机器学习:方法、系统、挑战 本书首次全面概述了 自动机器学习(AutoML) ,收集基于这些方法的现有系统的描述,并讨论AutoML系统的第一系列国际挑战。 -
机器学习基础(Mehryar Mohri等人) 这本书是对机器学习的一般介绍。 它涵盖了机器学习中的基本现代主题,同时提供了讨论和论证算法所需的理论基础和概念工具。 -
机器学习渴望(Andrew Ng) 您将学习如何在团队环境中调整ML策略,以及如何设置开发(dev)集和测试集。 读完本书后,您将对如何为机器学习项目设置技术方向有一个深刻的理解。 -
深入学习(Aston Zhang等人) 这是一本开源的交互式书籍,以独特的形式提供,集成了文本、数学和代码,现在支持TensorFlow、PyTorch和 阿帕奇MXNet 完全通过Jupyter笔记本起草的编程框架。 -
理解机器学习:从理论到算法 解释自动学习方法背后的原理及其使用注意事项。 对机器学习和数学推导的基本思想提供了广泛的理论解释。 -
从头开始的机器学习(丹尼·弗里德曼) 本书涵盖了机器学习中最常见方法的构建块。 这组方法就像机器学习工程师的工具箱。 那些进入机器学习领域的人应该对这个工具箱感到满意。 -
强化学习:导论,第二版 本书对强化学习的关键思想和算法进行了清晰而简单的描述,所有相关学科的读者都可以使用。 重点关注核心在线学习算法,更多数学材料放在阴影框中。 -
概率机器学习:简介(凯文·墨菲) 这本书全面介绍了使用概率模型和推理作为统一方法的机器学习。 它是以一种非正式的、可访问的风格编写的,并为最重要的算法提供了伪代码。