2015년 1월 23일 금요일

추천! 로봇공학 / 기계학습 무료 교재(pdf) 15가지

Ebook 무료 책 보물창고인 꿀 사이트를 하나 찾았습니다! 정말 없는 책 없이 다 있네요! 진짜 꿀 사이트입니다!

     http://www.e-booksdirectory.com/
     http://www.onlineprogrammingbooks.com/


T- Robotics에서 이렇게 글을 끝내면 아쉽겠죠? 그래서 준비해봤습니다! T-Robotics가 추천하는 Robotics / Machine Learning 책 추천 15선! 

Robotics

- R. Murray, Z. Li, S. Sastry (1994)
로봇기구학/동역학에 대해 제가 기본 교재처럼 삼고 공부한 책입니다. 서울대 로봇공학개론의 참고 교재이기도 하고요. Lie group 중심의 kinematics와 dynamics를 설명하고 있는데 수학적 접근이 훌륭합니다!

2. Introduction to Robotics: Mechanics, Planning, and Control
- F.C.Park, K. Lynch (2012)
저의 은사이신 서울대 박종우 교수님의 책입니다. 서울대 로봇공학개론의 참고 교재이기도 하고요. 1번에서 언급드린 Murray 책의 좀더 쉬운 학부 버전이라고 보시면 되겠습니다. 하지만 더욱 간결하고 깔끔합니다. 이 책과 함께 공개된 온라인 강의를 함께 들으셔도 좋습니다. (정말 명강의입니다!)

3. Rigid Body Dynamics Algorithms (다운로드 불가)
- R. Featherstone (2008)
동역학의 대가 중 한 분인 Featherstone의 동역학 책입니다. 많은 동역학 엔진들이 Featherstone의 알고리즘 기반으로 만들어졌죠. Spatial vector를 이용해 동역학을 설명하는데 Forward, Inverse, Hybrid dynamics 등 다양한 동역학의 부분들을 설명하고 있습니다.

4. Introduction to Robotics: Mechanics and Control (다운로드 불가)
- J. Craig (2005) 
이 책은 많은 학교에서 로봇공학 학부교재로 채택하고 있는 책입니다. 1989년에 처음 출간된 것으로부터 알 수 있듯이 고전적으로 널리 쓰이는 방법들을 다루고 있으며, 내용도 평이한 편입니다. 2번 책과 함께 로봇공학 입문용으로 적절합니다.

5. Probabilistic Robotics
- S. Thrun, W. Burgard, D. Fox (1999)
이 pdf는 정식버전이 아닌 Probabilistic Robotics(2005) 책의 draft 버전입니다. 자율주행이나 센서처리를 공부하시는 분들께는 필수인 책이지요. 센서의 불확실성을 다루기 위한 각종 확률적 기법(e.g. Gaussian filter)들을 다루고 있습니다. 모바일 로봇을 공부하신다면 필독하셔야 할 책입니다.

6. Autonomous Mobile Robots
- R. Siegwart, I. Nourbakhsh (2004)
5번의 책이 센서처리를 위한 확률적 기법을 이론적으로 다뤘다면, 이 책은 모바일 로봇개발을 위한 개괄을 다루고 있습니다. 모바일 로봇을 하시는 분들이라면 위 책과 함께 읽어보실만 한 책이네요.

7. Planning Algorithms
- S. LaValle (2006)
모션 플래닝에 관한 모든 것이 담겨있는 책입니다. 거의 1000쪽에 달하는 방대한 책이지만, 이 책만 보신다면 이미 planning은 거의 전문가 수준에 올랐다고 말할 수 있을 것입니다. 대부분의 planning 연구들이 이 책의 내용을 참고하고 있습니다.

(추가) State Estimation for Robotics
- Tim Barfoot (2016)
저도 최근에 찾은 책인데 2015년 출간 예정인 책의 draft입니다. 특히 모바일 로봇하는 분들이나 센서 퓨전하는 분들에게 좋을 듯 하고요, Lie group approach도 어렵지 않은 수준에서 소개되어 있으니 한번 읽어보세요 ^^


다 다운 받아도 어차피 읽지 않으면 아무 소용 없나니... (사진 출처)


Machine Learning / Artificial Intelligence

- T. Hastie, R. Tibshirani, J. Friedman (2009)
많은 기계학습 강좌에서 교재 또는 참고서적으로 이용하고 있는 책입니다. Linear regression부터 시작해 classification, kernel methods, support vector machine, neural networks 등을 폭넓게 다루고 있죠. Coursera의 기계학습 강좌와 함께 공부하시면 더욱 좋지 않을까 싶습니다.

2. Introduction to Machine Learning
- A. Shashua (2008)
이 책은 100페이지 분량의 강의 교재로서 Maximum likely hood, EM algorithm, PCA, LDA, PAC Learning model 등을 다루고 있습니다. 많은 분량의 책을 읽고싶지 않은 분들에겐 좋은 교재가 될 것 같네요.

3. Deep Learning
- Y. Bengio (2015)
딥러닝을 공부하고 싶으시다면 딥러닝의 대가 Bengio의 최신 책을 참고하실 것을 추천해드립니다. 이 책은 아직 집필 중인데 알기쉬운 부분부터 차근차근 설명하고 있어 딥러닝을 공부하기엔 최적의 책인 것 같습니다.

4. Learning Deep Architectures for AI
- Y. Bengio (2009)
위의 책이 양이 좀 많다고 느껴지신다면 대신 이 책을 읽어보신는 것도 괜찮습니다. 같은 저자가 2009년 책으로 위 책과는 달리 좀더 Deep Neural Network 중심으로 쓰인 100페이지 분량의 책입니다. 역시 좋은 책입니다.

5. Gaussian Process for Machine Learning
- C. Rasmussen, C. Williams
Function estimation을 위해 Gaussian Process(GP)를 공부하고 싶으시다면 오로지 이 책이 정답입니다. GP의 대가들이 쓴 GPML(Gaussian Process for Machine Learning)이란 책이지요. 저도 이 책으로 Gaussian Process를 처음 접했습니다. 처음 보시는 분들이라면 약간 어려울 수도 있지만, 그래도 해내시고 나면 훌쩍 실력이 높아져 있을 것입니다. 관련해서는 YouTube의 GP 겨울학교 공개강좌를 참고해주세요.

6. Reinforcement Learning
- C. Weber, M. Elshaw, N. Mayer (2008)
7. Reinforcement Learning: An Introduction
- R. Sutton, A. Barto (1998)
제가 Reinforcement Learning은 공부해보질 않아 어떤 책이 좋을지 몰라 두 책 모두 공유합니다. (참고로 두 책은 pdf가 아닌 html 형태로 보실 수 있습니다.) 저는 두번 째 책의 앞부분만 보다가 말았는데, 아무래도 최신 책이 좀더 낫겠죠...?

8. Bayesian Reasoning and Machine Learning
- D. Barber (2014)
아직 읽진 않았지만 꼭 읽어보고 싶은 책입니다. Bayesian inference에 관한 다양한 내용을 담고 있습니다. 총 650쪽 분량의 이 책은 아직 드래프트 단계인데, 이미 Belief networks, Tree algorithms, Expectatiion Maximization, Gaussian Process, Hidden Markov Model 등 풍부한 내용을 담고 있습니다. 추천해 드립니다!

* 위의 링크 중 깨진 링크 발견하시면 댓글로 신고 부탁드리겠습니다~!
** 모두들 열공! 빠샤!


* T-Robotics의 글은 facebook과 rss reader로도 받아보실 수 있습니다.