Encuentro recursos como el Probability and Statistics Cookbook y The R Reference Card for Data Mining increíblemente útiles. Obviamente, sirven como referencias, pero también me ayudan a organizar mis pensamientos sobre un tema y comprender el terreno.
P: ¿Existe algo así como estos recursos para los métodos de aprendizaje automático?
Me imagino una tarjeta de referencia que para cada método ML incluiría:
- Propiedades generales
- Cuando el método funciona bien
- Cuando el método funciona mal
- Desde cuál o hacia qué otros métodos se generaliza el método. ¿Ha sido mayormente reemplazado?
- Documentos seminales sobre el método
- Problemas abiertos asociados con el método
- Intensidad computacional
Todas estas cosas se pueden encontrar con un poco de excavación mínima a través de los libros de texto, estoy seguro. Sería realmente conveniente tenerlos en unas pocas páginas.
55
¿Un buen objetivo, pero "una búsqueda mínima en algunos libros de texto"? ¿Cómo podría uno comenzar a comprimir estos 20 libros para el aprendizaje estadístico y la minería de datos + mloss.org/software/rating ?
—
denis
(+1) para el chuzpa, si existiera tal descripción, pagaría por ello. El problema clave es que, además de algunas propiedades que podrían derivarse del algoritmo en sí, la mayoría de dichas propiedades o reglas generales se obtienen mediante la experiencia, es decir, la aplicación. Estoy bastante seguro de que un investigador aplicado o un programador / asesor de ML-framework podría escribir algo así ... pero aquí y ahora.
—
steffen
@Denis: el enlace "20 libros ..." no funciona, ¿puedes comprobar esto?
—
lmsasu
No soy un experto en aprendizaje automático, por lo que diferiré para que otros publiquen respuestas, pero creo que The Elements of Statistical Learning se considera un buen texto sobre el tema y está escrito por algunos de los nombres más importantes en el campo. Debo agregar que este libro está escrito en un alto nivel y aquellos que he escuchado recomiendan que tenía doctorados en estadística.
—
Macro
