Fundamentals of Machine Learning for Predictive Data Analytics, wydanie drugie: Algorytmy, praktyczne przykłady i studia przypadków

Opinie czytelników

Książka jest wysoko ceniona jako źródło edukacyjne dla początkujących w uczeniu maszynowym, zapewniając solidne podstawy i jasne wyjaśnienia. Jest dobrze skonstruowana, zawiera szczegółowe definicje, studia przypadków i kompleksowe podejście do tematu. Brakuje jej jednak wystarczających przykładów kodu, a styl pisania może być czasami suchy.

Łatwa do czytania i śledzenia, dobrze zorganizowana, zapewnia solidne podstawy, szczegółowe studia przypadków, jasne wyjaśnienia algorytmów, dobra równowaga między teorią a praktycznością, świetna dla zupełnie początkujących, kompleksowa głębia procesów uczenia maszynowego, wysokiej jakości druk.

Brakuje przykładów kodu do praktycznego doświadczenia, tekst może być suchy i mało angażujący, niektóre koncepcje mogłyby skorzystać na większej zwięzłości, może wymagać silnej znajomości języka angielskiego.

(na podstawie 13 opinii czytelników)

Oryginalny tytuł:

Fundamentals of Machine Learning for Predictive Data Analytics, Second Edition: Algorithms, Worked Examples, and Case Studies

Zawartość książki:

Drugie wydanie kompleksowego wprowadzenia do metod uczenia maszynowego stosowanych w predykcyjnej analizie danych, obejmujące zarówno teorię, jak i praktykę.

Uczenie maszynowe jest często wykorzystywane do tworzenia modeli predykcyjnych poprzez wyodrębnianie wzorców z dużych zbiorów danych. Modele te są wykorzystywane w predykcyjnych aplikacjach do analizy danych, w tym do przewidywania cen, oceny ryzyka, przewidywania zachowań klientów i klasyfikacji dokumentów. Ten wprowadzający podręcznik oferuje szczegółowe i ukierunkowane podejście do najważniejszych podejść uczenia maszynowego stosowanych w predykcyjnej analizie danych, obejmując zarówno koncepcje teoretyczne, jak i praktyczne zastosowania. Materiał techniczny i matematyczny jest uzupełniony objaśniającymi, praktycznymi przykładami, a studia przypadków ilustrują zastosowanie tych modeli w szerszym kontekście biznesowym. Drugie wydanie obejmuje najnowsze osiągnięcia w dziedzinie uczenia maszynowego, zwłaszcza w nowym rozdziale poświęconym głębokiemu uczeniu się, a także dwa nowe rozdziały, które wykraczają poza analitykę predykcyjną i obejmują uczenie bez nadzoru i uczenie ze wzmocnieniem.

Książka jest przystępna, oferując nietechniczne wyjaśnienia idei leżących u podstaw każdego podejścia przed wprowadzeniem modeli matematycznych i algorytmów. Jest skoncentrowana i dogłębna, zapewniając studentom szczegółową wiedzę na temat podstawowych pojęć, dając im solidną podstawę do samodzielnego zgłębiania tej dziedziny. Zarówno początkowe rozdziały, jak i późniejsze studia przypadków ilustrują, w jaki sposób proces uczenia się modeli predykcyjnych wpisuje się w szerszy kontekst biznesowy. Dwa studia przypadków opisują konkretne projekty analityki danych na każdym etapie rozwoju, od sformułowania problemu biznesowego do wdrożenia rozwiązania analitycznego. Książka może być używana jako podręcznik na poziomie wprowadzającym lub jako odniesienie dla profesjonalistów.