De 6 bästa böckerna om maskininlärning för dataforskare

Maskininlärning står inte längre bara på dataforskarnas agenda; den förändrar i grunden även det dagliga arbetet i finansteam. Processer som kvitto- och fakturaigenkänning, automatisk kategorisering av utgifter, tidig upptäckt av avvikande transaktioner och prognostisering av kassaflöde är direkta avtryck av områdets algoritmer i affärsvärlden. Om du är en ekonomi- eller verksamhetsproffs som leder – eller vill leda – denna omvandling, ger en förståelse för teknikens grundläggande logik dig ett stort försprång: du ställer bättre frågor om verktygen du köper, bygger ett gemensamt språk med dina team och vet vart dina automatiseringsinvesteringar tar vägen.

I den här artikeln går vi igenom de 6 mest ansedda grundböckerna inom maskininlärning. För varje bok har vi sammanfattat var för sig både vad den erbjuder den tekniska läsaren och vilket värde den har för en ekonomi- eller verksamhetsproffs.

1. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow — Aurélien Géron

Aurélien Gérons bok betraktas som guldstandarden för den som söker en praktisk introduktion till maskininlärning. Den håller teorin på ett minimum, fokuserar direkt på tillämpning och visar steg för steg hur man arbetar i verkliga projekt.

Varför bör du läsa den?

• Den erbjuder en heltäckande färdplan som börjar från noll och går ända fram till djupinlärning.
• Varje kapitel innehåller körbara exempel och praktiska övningar.
• Den förklarar grundläggande metoder som klassificering, klustring och prognos på ett enkelt språk.

Värde för ekonomiproffs: Det är den mest lättillgängliga källan för att förstå den klassificeringslogik som ligger bakom finansautomatiseringar som utgiftskategorisering och fakturaigenkänning, utan att drunkna i matematik.

2. Pattern Recognition and Machine Learning — Christopher M. Bishop

Christopher Bishops klassiska verk är skrivet för dem som vill förstå maskininlärningens matematiska grunder på djupet. Det är en källa med hög akademisk tyngd som förenar sannolikhetsteori och statistik med algoritmer.

Varför bör du läsa den?

• Den är en av de mest heltäckande källorna om probabilistisk inferens.
• Övningarna i slutet av kapitlen befäster begreppen.
• Den används som grundlärobok vid många universitet.

Värde för ekonomiproffs: Att fatta beslut under osäkerhet är kärnan i ekonomi; bokens probabilistiska synsätt får dig att förstå varför modeller inom områden som budgetavvikelse och riskprognos talar «sannolikt» snarare än «säkert».

3. Deep Learning — Ian Goodfellow, Yoshua Bengio och Aaron Courville

Detta verk från tre av områdets pionjärer omnämns som djupinlärningens «grundbok». Det behandlar de teoretiska och praktiska sidorna tillsammans, på ett heltäckande sätt.

Varför bör du läsa den?

• Den anses vara den mest auktoritativa källan om djupinlärning.
• Den sammanfattar nödvändiga matematiska förkunskaper i de första kapitlen.
• Den är fritt tillgänglig på författarnas officiella webbplats.

Värde för ekonomiproffs: Alla system som extraherar data ur kvitto- och fakturabilder och läser dokument bygger på djupinlärning; den här boken visar vad denna «magi» som finansteam använder varje dag egentligen är.

4. The Elements of Statistical Learning — Trevor Hastie, Robert Tibshirani och Jerome Friedman

Denna bok, skriven av tre statistikprofessorer från Stanford University, är ett av de mest heltäckande verken om metoder för statistisk inlärning och betraktar ämnet ur ett statistiskt perspektiv.

Varför bör du läsa den?

• Den täcker ett brett spektrum från linjära metoder till trädbaserade modeller.
• Den förklarar den teoretiska grunden för metoder som fortfarande används i stor utsträckning idag.
• Den kan laddas ner gratis från universitetets webbplats; den som vill ha ett mer lättillgängligt alternativ kan välja samma författares bok «An Introduction to Statistical Learning».

Värde för ekonomiproffs: En stor del av de modeller som fångar avvikande transaktioner i utgiftsdata och försöker förutsäga utgiftsbedrägeri är byggda på de statistiska metoder som beskrivs i den här boken.

5. Python Machine Learning — Sebastian Raschka och Vahid Mirjalili

Sebastian Raschkas och Vahid Mirjalilis bok blandar teori och tillämpning på ett balanserat sätt och vänder sig till en bred läsekrets från nybörjar- till avancerad nivå.

Varför bör du läsa den?

• Den lär ut klassiska metoder genom praktiska exempel.
• Den behandlar stegen för databeredning och modellutvärdering i detalj.
• Den täcker aktuella tillämpningsområden som textdata och sentimentanalys.

Värde för ekonomiproffs: Kapitlen om modellutvärdering lär dig ställa de frågor en ekonomichef behöver för att pröva leverantörers påståenden om «av artificiell intelligens drivna» produkter – på vilken grund räknas modellen som framgångsrik, och vad är felmarginalen?

6. Machine Learning: A Probabilistic Perspective — Kevin P. Murphy

Kevin Murphys heltäckande verk behandlar maskininlärning ur ett probabilistiskt ramverk och betraktas som en av områdets mest detaljerade referenskällor. Författarens mer aktuella serie «Probabilistic Machine Learning» erbjuder också ett uppdaterat alternativ.

Varför bör du läsa den?

• Den samlar klassiska och moderna angreppssätt under ett och samma tak.
• Den ger en bred genomgång av metoder för övervakad och oövervakad inlärning.
• Det finns heltäckande övningar i slutet av kapitlen.

Värde för ekonomiproffs: Det är den källa som mest ingående behandlar det probabilistiska tänkande som framåtblickande finansmodeller som kassaflöde och intäktsprognos vilar på.

Hur väljer du rätt bok?

Valet beror på din nuvarande kunskapsnivå och ditt mål:

• Ekonomi- och verksamhetsproffs: Börja med Gérons bok; om ditt mål inte är att skriva kod utan att förstå tekniken som automatiserar dina processer, ger redan de första kapitlen tillräcklig insikt.
• Tekniska nybörjarläsare: Gérons eller Raschkas praktiska böcker kräver ingen stark matematisk grund.
• Avancerad nivå: Skaffa dig teoretiskt djup med verk av Bishop, Goodfellow, Hastie eller Murphy.

Vilken bok du än väljer, koppla det du läser till dina egna data. Är du på ekonomisidan är den bästa övningen att titta på ditt företags utgiftsdata och ställa frågan: «vilka steg här kan automatiseras?»

Vanliga frågor

Behöver jag som ekonomiproffs kunna programmera för att läsa dessa böcker?

Nej. De begreppsmässiga avsnitten i Gérons och Raschkas böcker får dig att förstå logiken bakom maskininlärning även utan att skriva kod. Syftet är inte att producera tekniken, utan att medvetet bedöma de system du köper eller förvaltar.

Var används maskininlärning konkret i finansprocesser?

Automatisk avläsning av kvitto- och fakturainformation, tilldelning av utgifter till rätt kategori, flaggning av policyvidriga eller avvikande utgifter samt kassaflödesprognos är de vanligaste användningsområdena. Den tid dessa automatiseringar sparar företag tog vi upp i vår artikel den dolda tidskostnaden för utgiftsinmatning.

Finns det böcker som är fritt tillgängliga?

Ja. Goodfellows bok «Deep Learning» är fritt tillgänglig på författarnas officiella webbplats, och Hasties bok «The Elements of Statistical Learning» är fritt tillgänglig på Stanford Universitys webbplats.

Är dessa böcker fortfarande aktuella?

Grundläggande algoritmer och matematiska principer behåller sin giltighet över tid; de praktiska böckerna får regelbundna upplageuppdateringar. För den begreppsmässiga stommen är de klassiska verken fortfarande tillförlitliga referenser.

Från teori till praktik: Maskininlärning i finansteamens tjänst

Metoderna som beskrivs i dessa böcker arbetar nu i finansteamens dagliga verktyg. På Masraff bygger vi funktioner som intelligent kvitto- och fakturaigenkänning, automatisk kategorisering och upptäckt av utgiftsanomalier direkt ovanpå dessa algoritmer. För att se hur maskininlärning kan tillföra värde till dina utgiftsprocesser kan du utforska vår lösning för utgiftshantering och kontakta oss om du har frågor.