Sách để đọc trước các yếu tố của học thống kê?

Dựa trên bài đăng này , tôi muốn tiêu hóa các yếu tố của học thống kê. May mắn là nó có sẵn miễn phí và tôi bắt đầu đọc nó.

Tôi không có đủ kiến ​​thức để hiểu nó. Bạn có thể giới thiệu một cuốn sách giới thiệu tốt hơn về các chủ đề trong cuốn sách? Hy vọng một cái gì đó sẽ cung cấp cho tôi kiến ​​thức cần thiết để hiểu nó?

Liên quan:

Là một nền tảng mạnh mẽ trong toán học là một điều cần thiết cho ML?

Tôi đã mua, nhưng chưa đọc,

S. Marsland, Học máy: Một viễn cảnh thuật toán , Chapman & Hall, 2009.

Tuy nhiên, các đánh giá là thuận lợi và nói rằng nó phù hợp cho người mới bắt đầu hơn các sách ML khác có chiều sâu hơn. Lật qua các trang, có vẻ như tôi tốt cho tôi vì tôi có ít nền tảng toán học.

Các tác giả của Yếu tố học tập thống kê đã đưa ra một cuốn sách mới (tháng 8 năm 2013) nhắm đến người dùng không có nền tảng toán học nặng. Giới thiệu về Học thống kê: với các ứng dụng trong R

Phiên bản PDF miễn phí của cuốn sách này hiện có thể được tìm thấy ở đây .

Tôi thấy Lập trình trí tuệ tập thể là cuốn sách dễ nhất cho người mới bắt đầu, vì tác giả Toby Segaran tập trung vào việc cho phép nhà phát triển phần mềm trung bình có thể làm bẩn tay mình bằng cách hack dữ liệu nhanh nhất có thể.

Chương điển hình: Vấn đề dữ liệu được mô tả rõ ràng, theo sau là một lời giải thích sơ bộ về cách thức hoạt động của thuật toán và cuối cùng cho thấy cách tạo ra một số hiểu biết chỉ với một vài dòng mã.

Việc sử dụng python cho phép người ta hiểu mọi thứ khá nhanh (bạn không cần biết python, nghiêm túc, tôi cũng không biết điều đó trước đây). KHÔNG nghĩ rằng cuốn sách này chỉ tập trung vào việc tạo ra hệ thống đề xuất. Nó cũng liên quan đến khai thác văn bản / lọc thư rác / tối ưu hóa / phân cụm / xác nhận, v.v. và do đó cung cấp cho bạn một cái nhìn tổng quan gọn gàng về các công cụ cơ bản của mọi công cụ khai thác dữ liệu.

Chương 10 thậm chí đề cập đến dữ liệu thị trường chứng khoán, nhưng trọng tâm không phải là khai thác dữ liệu theo chuỗi thời gian. Có lẽ nhược điểm duy nhất (cho bạn) của cuốn sách tuyệt vời này.

Giới thiệu về Machine Learning , của E. Alpaydin (MIT Press, 2010, tái bản lần thứ 2), bao gồm rất nhiều chủ đề với hình minh họa đẹp (giống như Nhận dạng mẫu của Đức cha và Học máy ).

Ngoài ra, Andrew W. Moore có một số hướng dẫn tốt về Khai thác dữ liệu thống kê .

Tất cả các số liệu thống kê của Mayinois Wasserman sẽ được quan tâm. Bạn có thể lấy mẫu cuốn sách từ liên kết đã cho - và chỉ một vài đoạn đầu của lời nói đầu đã bán mạnh cho thị trường của bạn - và bạn có thể tải xuống cuốn sách miễn phí qua Springer nếu bạn được liên kết với một trường đại học.

EDIT: Rất tiếc, đã không nhận thấy chủ đề này cổ xưa như thế nào.

Các yếu tố của học thống kê có thể là một bài đọc khó, đặc biệt đối với một người tự học. Trong khi tìm kiếm một số giải thích về chương thứ hai, tôi đã vấp phải tài nguyên sau: https://waxworksmath.com/Authors/G_M/Hastie/WriteUp/Weatherwax_Epstein_Hastie_Solution_Manual.pdf . Nó chứa hơn 100 trang chú thích và giải thích làm rõ một số khoảnh khắc phức tạp của cuốn sách. Một nguồn tuyệt vời cho tất cả mọi người đọc cuốn sách này. Văn bản bổ sung này bao gồm các giải pháp cho bài tập.

Tôi thực sự muốn giới thiệu một khóa học đầu tiên về học máy của Rogers và Girolami. Nó bao gồm các ý tưởng chính theo một trật tự rất logic, với các ví dụ tốt và với mức độ tối thiểu của toán học để có một nền tảng phù hợp trong các nguyên tắc cơ bản. Nó không có phạm vi bao phủ của một số cuốn sách, nhưng đó chính xác là lý do tại sao nó tốt như một văn bản giới thiệu.

Một cuốn sách khác rất thú vị là Lý luận Bayes và Học máy của David Barber. Cuốn sách có sẵn dưới dạng tải xuống miễn phí từ trang web của tác giả: http://www.cs.ucl.ac.uk/staff/d.barber/brml/