Системные основы AI
От классического поиска и знаний к современным интеллектуальным агентам.
Мы собрали учебники, указанные в официальных syllabus, reading list и страницах курсов AI и машинного обучения. Каждый источник проверен, а текущие и архивные материалы отмечены отдельно.
Нажмите на университет, чтобы увидеть книги из его курса или reading list.
Выберите задачу — библиотека покажет последовательность от основ к более сложным материалам.
От классического поиска и знаний к современным интеллектуальным агентам.
Вероятность, модели, статистическое обучение и контроль обобщения.
Графические модели, байесовский вывод и работа с неопределённостью.
Сначала математические основы, затем архитектуры и оптимизация.
От MDP и ценностных функций к policy methods и практическим агентам.
Для тех, кому нужны строгие гарантии качества и обобщения.
Широкий системный учебник по поиску, планированию, логике, вероятностному выводу, машинному обучению и агентам.



5 университетовБайесовское введение в pattern recognition, линейные модели, ядра, графические модели и приближённый вывод.


4 университетовЕдиная вероятностная трактовка широкого спектра методов машинного обучения.

3 университетовФундаментальное изложение байесовских сетей, марковских моделей, вывода и обучения в графических моделях.
3 университетовКомпактная и глубокая книга по байесовскому выводу, графическим моделям и machine learning.

2 университетовСвязывает информацию, байесовский вывод, кодирование, neural networks и алгоритмы обучения.
2 университетовСтатистическое обучение: линейные методы, регуляризация, деревья, boosting, SVM и unsupervised learning.
2 университетовКомпактный курс вероятности и статистического вывода для дальнейшего изучения machine learning.
1 университетовКлассический инженерный взгляд на представление знаний, поиск, обучение и построение интеллектуальных систем.
Открытый учебник по вычислительным агентам, поиску, рассуждению, неопределённости и обучению.
1 университетовОткрытая книга по математическим основам, feedforward networks, регуляризации, оптимизации, CNN, sequence models и representation learning.
1 университетовТеоретические основы обобщения, PAC-learning, Rademacher complexity, online learning и алгоритмов ML.
1 университетовФундаментальное изложение gaussian processes для регрессии, классификации, model selection и приближённого вывода.
Компактный курс по обобщению, переобучению, bias–variance, линейным моделям и основам теории обучения.
1 университетовКлассический учебник по статистическому распознаванию образов и проектированию классификаторов.
1 университетовОсновной открытый учебник по обучению с подкреплением: ценностные функции, temporal-difference learning, policy methods и аппроксимация.
Формальное введение в PAC-learning, uniform convergence, convex learning, kernels и online learning.
1 университетовКнига включается только при наличии официальной страницы курса, syllabus или reading list университета. Текущие и архивные источники помечаются отдельно. Ссылки ведут только на легальные страницы авторов, издателей или университетов.
LYNQ не размещает нелегальные копии книг. Для открытых книг указана официальная бесплатная версия; для коммерческих — страница издателя или автора.
LYNQ Academy не связана с указанными университетами, не является их партнёром и не заявляет об их одобрении. Названия и логотипы используются только для идентификации источников; права на товарные знаки принадлежат их владельцам.
Сохраняйте книги, отмечайте прогресс и связывайте чтение с курсами, практикой и Skills Passport.