Bücher über maschinelles Lernen

Von einführendem ML über Deep Learning, probabilistische Methoden und moderne große Sprachmodelle

Maschinelles Lernen hat in den letzten zehn Jahren an Bedeutung gewonnen. Diese Bücher behandeln die klassische ML-Theorie, Deep Learning, probabilistische Methoden, Reinforcement Learning und die neuesten Arbeiten zu Grundmodellen und LLMs.

Grundlagen der ML-Lehrbücher

Umfassende Lehrbücher, die die Breite des maschinellen Lernens abdecken.

BuchAutorJahrNiveauBeschreibung
Pattern Recognition and Machine Learning
Springer		Christopher M. Bishop2006FortgeschrittenDas Bayesian ML-Lehrbuch - rigorose mathematische Behandlung, die auch 15 Jahre später noch in Graduiertenkursen weit verbreitet ist.
The Elements of Statistical Learning
2. Auflage, Springer		Trevor Hastie, Robert Tibshirani, Jerome Friedman2009FortgeschrittenDas definitive Referenzwerk zum statistischen Lernen der Stanford-Statistik-Fakultät. Deckt Regression, Klassifikation, Bäume, SVMs, Boosting und mehr ab. Kostenlos als PDF verfügbar.
An Introduction to Statistical Learning
2. Auflage, Springer		Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor2021FortgeschrittenDer 'Einsteiger-ESL' - zugängliche Einführung mit R- und Python-Code. Der beste Ausgangspunkt für ML.
Machine Learning: A Probabilistic Perspective
MIT Press		Kevin P. Murphy2012FortgeschrittenEinheitliche probabilistische Behandlung von ML. Aktualisiert in zwei Bänden 2022-2023 als 'Probabilistic Machine Learning'.

Deep Learning

Neuronale Netze, Deep Learning-Architekturen und moderne Methoden.

BuchAutorJahrNiveauBeschreibung
Deep Learning
MIT Press		Ian Goodfellow, Yoshua Bengio, Aaron Courville2016FortgeschrittenDas definitive Deep Learning-Lehrbuch von drei Pionieren, kostenlos online verfügbar. Umfassende Abdeckung von Theorie und Praxis.
Dive into Deep Learning
Cambridge University Press		Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola2023FortgeschrittenInteraktives Lehrbuch mit ausführbarem Code in mehreren Frameworks. Ständig aktualisiert.
Deep Learning with Python
2. Auflage, Manning		François Chollet2021FortgeschrittenVom Schöpfer von Keras. Praktische Einführung mit hervorragendem intuitiven Verständnis.

Reinforcement Learning

Agenten, die aus der Interaktion mit Umgebungen lernen.

BuchAutorJahrNiveauBeschreibung
Reinforcement Learning: An Introduction
2. Auflage, MIT Press		Richard S. Sutton, Andrew G. Barto2018FortgeschrittenDas kanonische RL-Lehrbuch der Begründer des Feldes. Kostenlos verfügbares PDF.
Deep Reinforcement Learning
Springer		Aske Plaat2022FortgeschrittenModerne Behandlung von Deep RL mit Abdeckung von AlphaGo-ähnlichen Methoden.
Algorithms for Reinforcement Learning
Morgan and Claypool		Csaba Szepesvari2010FortgeschrittenKurz gefasste theoretische Behandlung von RL-Algorithmen.

Praktisches ML und spezialisierte Themen

Angewandtes maschinelles Lernen und spezialisierte Teilgebiete.

BuchAutorJahrNiveauBeschreibung
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
3. Auflage, O'Reilly		Aurélien Géron2022Anfänger-FortgeschrittenDas beliebteste praktische ML-Buch. Deckt scikit-learn, Keras und TensorFlow mit hervorragenden Codebeispielen ab.
Designing Machine Learning Systems
O'Reilly		Chip Huyen2022FortgeschrittenML-Systemdesign für die Produktion, einschließlich Datenpipelines, Bereitstellung und Überwachung.
Probabilistic Machine Learning: An Introduction
MIT Press		Kevin P. Murphy2022FortgeschrittenMurphys aktualisiertes ML-Lehrbuch. Kostenlos als PDF verfügbar.

Moderne Themen: LLMs, Grundmodelle, Sicherheit

Aktuelle Forschungsbereiche und Produktions-ML.

BuchAutorJahrNiveauBeschreibung
Natural Language Processing with Transformers
O'Reilly		Lewis Tunstall, Leandro von Werra, Thomas Wolf2022FortgeschrittenPraktischer Leitfaden zu Transformern und LLMs vom Hugging Face-Team.
AI Engineering: Building Applications with Foundation Models
O'Reilly		Chip Huyen2024FortgeschrittenModerner Leitfaden zum Aufbau von Produktionssystemen auf Basis von Grundmodellen.
Interpretable Machine Learning
Online		Christoph Molnar2020FortgeschrittenKostenloses Buch über die Interpretierbarkeit und Erklärbarkeit von ML.