Algorytmy uczenia maszynowego - wydanie drugie: Popularne algorytmy dla nauki o danych i uczenia maszynowego, wydanie 2

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 15 głosach.

Oryginalny tytuł:

Machine Learning Algorithms - Second Edition: Popular algorithms for data science and machine learning, 2nd Edition

Zawartość książki:

Łatwy do zrozumienia przewodnik krok po kroku, który pozwala zapoznać się z rzeczywistymi zastosowaniami algorytmów uczenia maszynowego.

Główne cechy

⬤ Zapoznaj się ze statystyką i złożoną matematyką dla aplikacji intensywnie przetwarzających dane.

⬤ Odkryj nowe osiągnięcia w algorytmie EM, PCA i regresji bayesowskiej.

⬤ Badanie wzorców i prognozowanie w różnych zbiorach danych.

Opis książki

Uczenie maszynowe zyskało ogromną popularność dzięki potężnym i szybkim prognozom dla dużych zbiorów danych. Jednak prawdziwą siłą stojącą za jego potężnymi wynikami są złożone algorytmy obejmujące znaczną analizę statystyczną, które przetwarzają duże zbiory danych i generują istotne informacje.

Druga edycja Algorytmów Uczenia Maszynowego przeprowadzi Cię przez najważniejsze wyniki rozwoju, które miały miejsce w odniesieniu do algorytmów uczenia maszynowego, które stanowią główny wkład w proces uczenia maszynowego i pomogą Ci wzmocnić i opanować interpretację statystyczną w obszarach uczenia nadzorowanego, pół-nadzorowanego i wzmacniającego. Po zapoznaniu się z podstawowymi koncepcjami algorytmów, poznasz rzeczywiste przykłady oparte na najbardziej rozpowszechnionych bibliotekach, takich jak scikit-learn, NLTK, TensorFlow i Keras. Odkryjesz nowe tematy, takie jak analiza składowych głównych (PCA), analiza składowych niezależnych (ICA), regresja bayesowska, analiza dyskryminacyjna, zaawansowane grupowanie i mieszanka gaussowska.

Pod koniec tej książki poznasz algorytmy uczenia maszynowego i będziesz w stanie wdrożyć je do produkcji, aby uczynić swoje aplikacje uczenia maszynowego bardziej innowacyjnymi.

Czego się nauczysz

⬤ Wybór cech i proces inżynierii cech.

⬤ Oceniać wydajność i kompromisy błędów dla regresji liniowej.

⬤ Zbuduj model danych i zrozum, jak działa przy użyciu różnych typów algorytmów.

⬤ Nauczyć się dostrajać parametry maszyn wektorów nośnych (SVM).

⬤ Poznanie koncepcji przetwarzania języka naturalnego (NLP) i systemów rekomendacji.

⬤ Tworzenie architektury uczenia maszynowego od podstaw.

Dla kogo jest ta książka

Algorytmy uczenia maszynowego jest dla Ciebie, jeśli jesteś inżynierem uczenia maszynowego, inżynierem danych lub młodszym naukowcem zajmującym się danymi, który chce rozwijać się w dziedzinie analityki predykcyjnej i uczenia maszynowego. Znajomość języków R i Python będzie dodatkowym atutem, aby jak najlepiej wykorzystać tę książkę.