Czyszczenie i eksploracja danych z wykorzystaniem uczenia maszynowego: Zapoznaj się z technikami uczenia maszynowego, aby szybko uzyskać lśniące i czyste dane

Opinie czytelników

Ta książka jest kompleksowym i przyjaznym dla początkujących przewodnikiem skupiającym się na czyszczeniu danych i przygotowaniu do uczenia maszynowego. Oferuje praktyczne ćwiczenia, cenne spostrzeżenia i praktyczne techniki, których często brakuje w innych zasobach. Chociaż jest wysoko oceniana za jasne wyjaśnienia i przydatne przykłady, istnieją oznaki, że może brakować jej głębi w niektórych zaawansowanych tematach.

⬤ Wyczerpujące i jasne wyjaśnienia technik czyszczenia i przygotowywania danych.
⬤ Praktyczne ćwiczenia i przykłady kodu dostępne na GitHub.
⬤ Świetna dla początkujących i służy jako solidne odniesienie dla doświadczonych użytkowników.
⬤ Wciągający i przystępny styl pisania; sprawia wrażenie konwersacji.
⬤ Skupia się na najbardziej wartościowych technikach, które prowadzą do wyników w uczeniu maszynowym.

⬤ Brak głębi w zaawansowanych tematach, takich jak głębokie uczenie i analiza błędów.
⬤ Niektórzy czytelnicy życzą sobie szerszego zestawu narzędzi do złożonych zastosowań modelowania.
⬤ Skupia się bardziej na treściach dla początkujących, co może nie zadowolić bardziej doświadczonych analityków danych poszukujących zaawansowanych informacji.

(na podstawie 7 opinii czytelników)

Oryginalny tytuł:

Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly

Zawartość książki:

Poznaj zaawansowane techniki uczenia maszynowego, aby zadbać o ładunki prania danych

Kluczowe cechy:

⬤ Dowiedz się, jak przygotować dane do procesów uczenia maszynowego.

⬤ Zrozumienie, które algorytmy opierają się na celach predykcji i właściwościach danych.

⬤ Dowiedz się, jak interpretować i oceniać wyniki uczenia maszynowego.

Opis książki:

Wiele osób, które wiedzą, jak uruchomić algorytmy uczenia maszynowego, nie ma dobrego wyczucia założeń statystycznych, które przyjmują i jak dopasować właściwości danych do algorytmu, aby uzyskać najlepsze wyniki.

Na początku tej książki modele zostały starannie dobrane, aby pomóc w zrozumieniu podstawowych danych, w tym znaczenia i korelacji cech oraz rozkładu cech i celów. Pierwsze dwie części książki wprowadzają w techniki przygotowywania danych dla algorytmów ML, nie stroniąc od stosowania niektórych technik ML do czyszczenia danych, w tym wykrywania anomalii i selekcji cech. Następnie książka pomaga zastosować tę wiedzę do szerokiej gamy zadań ML. Zrozumiesz popularne algorytmy nadzorowane i nienadzorowane, jak przygotować dla nich dane i jak je oceniać. Następnie będziesz budować modele i rozumieć relacje w swoich danych, a także wykonywać zadania czyszczenia i eksploracji tych danych. Poczynisz szybkie postępy w badaniu rozkładu zmiennych, identyfikowaniu anomalii i badaniu relacji dwuwymiarowych, ponieważ w tej książce skupiasz się bardziej na dokładności prognoz.

Pod koniec tej książki będziesz w stanie radzić sobie ze złożonymi problemami związanymi z danymi przy użyciu nienadzorowanych algorytmów ML, takich jak analiza głównych składowych i grupowanie k-średnich.

Czego się nauczysz:

⬤ Zapoznanie się z podstawowymi technikami czyszczenia i eksploracji danych przed uruchomieniem najpopularniejszych algorytmów uczenia maszynowego.

⬤ Zrozumienie, jak przeprowadzić wstępne przetwarzanie i wybór cech oraz jak skonfigurować dane do testowania i walidacji.

⬤ Modelowanie celów ciągłych za pomocą algorytmów uczenia nadzorowanego.

⬤ Modelowanie celów binarnych i wieloklasowych za pomocą algorytmów uczenia nadzorowanego.

⬤ Wykonywanie klastrowania i redukcji wymiaru za pomocą algorytmów uczenia bez nadzoru.

⬤ Zrozumieć, jak używać drzew regresyjnych do modelowania celów ciągłych.

Dla kogo jest ta książka:

Ta książka jest przeznaczona dla profesjonalnych naukowców zajmujących się danymi, szczególnie tych w pierwszych latach swojej kariery, lub bardziej doświadczonych analityków, którzy są stosunkowo nowi w uczeniu maszynowym. Czytelnicy powinni mieć wcześniejszą wiedzę na temat pojęć statystycznych, które są zwykle nauczane na licencjackim kursie wprowadzającym, a także doświadczenie na poziomie początkującym w programistycznym manipulowaniu danymi.