10 หนังสือฟรี! น่าอ่านสำหรับสาย Data Science และ AI

ขอแนะนำหนังสือสำหรับสาย Data Science และ AI ที่ไม่ควรพลาด 10 เล่ม โดยแบ่งเป็นกลุ่มหลัก 3 กลุ่มคือ สถิติ, พื้นฐาน Machine Learning และ สถิติ, Advance Machine Learning

รายชื่อหนังสือมีดังนี้

กลุ่มสถิติ

1. Think Stats – Probability and Statistics for Programmer ผู้แต่ง  Allan B. Downey

นำเสนอเกี่ยวกับสถิติและความน่าจะเป็นพร้อมทั้งการใช้งานใน Python Library เพื่อให้ผู้อ่านได้เห็นภาพและทำตามได้ง่ายๆ อีกทั้งมีการหยิกยกกรณีศึกษาจาก National Institutes of Health รวมถึงนำเสนอพื้นฐานของ Bayesian ที่จำเป็นต่อ Data Scientist อีกด้วย

2. Beyesian Reasoning and Machine Learning ผู้แต่ง David Barber

หนังสือนี้กล่าวถึงทฤษฎีเชิงสถิติ Beyesian ซึ่งจำเป็นมากสำหรับผู้ที่กำลังจะเข้าสู่สาย Machine Learning

กลุ่มพื้นฐาน Machine Learning และ สถิติ

1. An Introduction to Statistical Learning ผู้แต่ง Gareth James, Daniela Witten, Trevor Hastie และ Robert Tibshirani

เนื้อหาเกี่ยวกับแนะนำ Data Science ด้วยการเรียนรู้แบบ Machine Learning สำหรับมือใหม่ พร้อมทั้งมีตัวอย่างประกอบที่เกิดขึ้นในโลกความเป็นจริงว่าอัลกอริทึมนั้นทำงานอย่างไร ในหนังสือเล่มนี้ยกตัวอย่างเป็นภาษา R

2. Understanding Machine Learning ผุู้แต่ง Shai Shalev-Shwartz และ Shai Ben-David

นำเสนอเนื้อหาพื้นฐานเกี่ยวกับ Machine Learning ในทฤษฏีบทที่จำเป็นรวมถึงการใช้งานด้านคณิตศาสตร์เพื่อแปลงคอนเซปต์เหล่านี้

3. A Programmer’s Guide to Data Mining ผู้แต่ง Ron Zacharski

นำเสนอถึงการใช้ Machine Learning เพื่อสร้างวิธีการคัดกรอง เช่น item-based filtering และ Social filtering นอกจากนี้ยังครอบคลุมไปถึง Naive Bayes และ Clustering สำหรับใครที่สนใจเกี่ยว Natural Language Processing เล่มนี้ก็เป็นหนังสือที่พลาดไม่ได้อีกเล่มหนึ่ง

4. Mining of Massive Datasets ผู้แต่ง Anand Rajaraman และ Jeffrey David Ullman

ว่าด้วยเรื่องของอัลกอริทึมที่ใช้แก้ปัญหาสำคัญของการทำเหมืองข้อมูลที่สามารถใช้งานได้กับข้อมูลขนาดใหญ่

Machine Learning ขั้นสูง

1.A Brief Introduction to Neural Networks ผู้แต่ง David Kriesel

หนังสือเล่มนี้กล่าวถึงประวัติความเป็นมาของ Neural Networks และค่อยๆ พาผู้อ่านไปยังด้านคณิตศาสตร์และอธิบายถึงความแตกต่างของ NNs แต่ละประเภท โดยผู้เขียนคาดหวังว่าผู้อ่านต้องมีความรู้เรื่อง Linear Algebra และ Calculus พื้นฐานมาแล้ว

2. Deep Learning ผู้แต่ง Ian Goodfellow, Yoshua Bengio และ Aaron Courville

เนื้อหาเกี่ยวกับ Monte Carlo Method, Recurrent และ Recursive Nets, Autoencoder และ Deep Generative Model

3. Natural Language Processing with Python ผู้แต่ง Steven Bird, Ewan Klein, และ Edward Loper

สำหรับผู้ที่กำลังศึกษาด้าน NLP หนังสือเล่มนี้พลาดไม่ได้จริงๆ มีการแสดงโค้ดเป็น Python นอกจากนี้ยังมีการแจก Dataset เพื่อนำไปใช้ทดลองได้อีกด้วย

4.Machine Learning Yearning ผู้แต่ง Andrew Ng

หนังสือเล่มนี้ช่วยผู้อ่านเข้าสู่การสร้างระบบ AI และสอนถึงวิธีการตัดสินใจที่หลากหลายกับโปรเจ็คด้าน Machine Learning นอกจากนี้หนังสือเล่มนี้ยังมีการอัปเดตเรื่อยๆ ดังนั้นผู้อ่านสามารถลงชื่อเพื่อรับการอัปเดตเนื้อหาได้

ที่มา : https://www.analyticsvidhya.com/blog/2018/02/10-free-must-read-machine-learning-e-books/