Answers:
我买了,但还没读,
S. Marsland,《机器学习:算法视角》,查普曼和霍尔,2009年。
但是,评论是令人满意的,并指出与其他更深入的ML书籍相比,它更适合初学者。翻阅这些页面,对我来说似乎对我有好处,因为我几乎没有数学背景。
《统计学习元素》的作者推出了一本针对没有大量数学背景的用户的新书(2013年8月)。统计学习入门:在R中的应用
这本书的免费PDF版本目前可以在这里找到。
我发现《编程集体智慧》对于初学者来说是最简单的书,因为作者Toby Segaran致力于使中位软件开发人员能够尽快掌握数据黑客的知识。
典型的章节:清楚地描述了数据问题,然后粗略地解释了算法的工作原理,最后展示了如何仅用几行代码就可以创建一些见解。
python的使用使您可以相当快速地了解所有内容(您完全不需要了解python,我以前也不知道)。不要以为这本书只专注于创建推荐系统。它还处理文本挖掘/垃圾邮件过滤/优化/聚类/验证等,因此,您可以对每个数据挖掘器的基本工具进行简洁的概述。
第10章甚至讨论股市数据,但重点不在时间序列数据挖掘上。也许这本出色的书对您来说唯一的缺点。
E. Alpaydin撰写的《机器学习入门》(麻省理工学院出版社,2010年第2版)涵盖了许多主题,并附有精美的插图(类似于Bishop的模式识别和机器学习)。
此外,Andrew W. Moore还提供了一些有关Statistics Data Mining的不错的教程。
也许Wasserman的“ 所有统计信息”会引起关注。您可以从给定的链接中采样这本书-只是序言的前几段对您的市场有很大的帮助-如果您与大学有联系,则可以通过Springer免费下载这本书。
编辑:糟糕,没有注意到这个线程有多古老。
统计学习的要素可能很难读,特别是对于自学者而言。在寻找第二章的一些解释时,我偶然发现了以下资源:https : //waxworksmath.com/Authors/G_M/Hastie/WriteUp/Weatherwax_Epstein_Hastie_Solution_Manual.pdf。它包含100多页的注释和解释,阐明了本书的某些复杂时刻。对于每个阅读本书的人来说都是一个很好的资源。该补充文本包括练习的解决方案。
我强烈推荐Rogers和Girolami撰写的“ 机器学习第一门课程”。它以非常合乎逻辑的顺序涵盖了关键思想,并提供了良好的示例和最低限度的数学基础,以使基础知识有适当的基础。它没有涵盖某些书籍的广度,但这就是为什么它像入门文字一样好的原因。
另一本非常有趣的书是David Barber的贝叶斯推理和机器学习。该书可从作者的网站免费下载:http : //www.cs.ucl.ac.uk/staff/d.barber/brml/