В сети имеется большая интерактивная онлайн-книга по машинному обучению и нейросетям, написанная коллективом авторов из Яндекс. Имея аккаунт Яндекс (например, зарегистрировавшись на яндекс-почте), в книге можно ставить отметки о прочтенных главах и проходить задания в среде, подобной LeetCode.

Учебник по машинному обучению

Данный учебник был создан Школой анализа данных (ШАД) корпорации Яндекс. Есть подозрение, что Яндекс мониторит успешность прохождения заданий из данной книги зарегистрированными пользователями, и после какого-то порога на яндекс-почту приходит предложение от службы рекрутинга.

Содержание книги следующее.

1. Введение

1.1. Об этой книге

1.2. Машинное обучение

2. Классическое обучение с учителем

2.1. Линейные модели

2.2. Метрические методы

2.3. Решающие деревья

2.4. Ансамбли в машинном обучении

2.5. Градиентный бустинг

3. Оценка качества моделей

3.1. Метрики классификации и регрессии

3.2. Кросс-валидация

3.3. Подбор гиперпараметров

4. Вероятностные модели

4.1. Вероятностный подход в ML

4.2. Экспоненциальный класс распределений и принцип максимальной энтропии

4.3. Обобщённые линейные модели

4.4. Как оценивать вероятности

4.5. Генеративный подход к классификации

4.6. Байесовский подход к оцениванию

4.7. Модели с латентными переменными

5. Глубинное обучение - введение

5.1. Нейронные сети

5.2. Первое знакомство с полносвязными нейросетями

5.3. Метод обратного распространения ошибки

5.4. Тонкости обучения

6. Глубинное обучение - архитектуры

6.1. Свёрточные нейросети

6.2. Нейросети для работы с последовательностями

6.3. Трансформеры

6.4. Графовые нейронные сети

6.5. Нейросети для облаков точек

7. Глубинное обучение - практика

7.1. Обучение представлений

7.2. Дистилляция знаний

8. Генеративные модели

8.1. Введение в генеративное моделирование

8.2. Variational Autoencoder (VAE)

8.3. Генеративно-состязательные сети (GAN)

8.4. Нормализующие потоки

8.5. Диффузионные модели

8.6. Языковые модели

9. Рекомендательные системы

9.1. Введение в рекомендательные системы

9.2. Рекомендации на основе матричных разложений

9.3. Контентные рекомендации

9.4. Хорошие свойства рекомендательных систем

10. Практические главы

10.1. Кластеризация

10.2. Временные ряды

10.3. Аналитика временных рядов

10.4. Модели вида ARIMA

10.5. Задача ранжирования

11. Взаимодействие со средой

11.1. Обучение с подкреплением

11.2. Краудсорсинг

12. Теория ML

12.1. Bias-variance decomposition

13. Теория глубокого обучения

13.1. Введение

13.2. Обобщающая способность – классическая теория

13.3. PAC-байесовские оценки риска

13.4. Сети бесконечной ширины

13.5. Ландшафт функции потерь

13.6. Implicit bias

14. Оптимизация в ML

14.1. Оптимизация в ML

14.2. Проксимальные методы

14.3. Методы второго порядка

14.4. Сходимость SGD

15. Онлайн-обучение и стохастическая оптимизация

15.1. Введение в онлайн-обучение

15.2. Регуляризация в онлайн-обучении

15.3. Методы оптимизации в Deep Learning

16. Теоретический минимум

16.1. Матричное дифференцирование

16.2. Матричная факторизация

16.3. Вероятностные распределения

16.4. Многомерные распределения

16.5. Независимость и условные распределения вероятностей

16.6. Параметрические оценки

16.7. Энтропия и семейство экспоненциальных распределений