Ocena:
Książka służy jako przydatne wprowadzenie do uczenia maszynowego, koncentrując się na praktycznej implementacji przy użyciu Pythona i biblioteki scikit-learn. Jest skierowana do początkujących i młodszych naukowców zajmujących się danymi, którzy chcą poznać kilka algorytmów i ich zastosowań. Książka została jednak skrytykowana za swoją organizację i głębię.
Zalety:⬤ Doskonała dla początkujących bez doświadczenia matematycznego.
⬤ Zawiera praktyczne przykłady i rzeczywiste zastosowania.
⬤ Skupia się na szeroko stosowanej bibliotece scikit-learn.
⬤ Obejmuje zarówno nadzorowane, jak i nienadzorowane algorytmy uczenia się.
⬤ Oferuje jasne wyjaśnienia, które pomagają w zrozumieniu złożonych pojęć.
⬤ Odpowiednia dla naukowców zajmujących się danymi, którzy chcą poprawić swoje umiejętności.
⬤ Organizacja treści jest nieco zagmatwana, a niektóre ważne tematy zostały umieszczone poza kolejnością.
⬤ Brak głębi w niektórych obszarach
⬤ Niektóre ważne koncepcje i algorytmy zostały pominięte.
⬤ Brak glosariusza do szybkiego wyszukiwania terminów
⬤ zamiast tego opiera się na indeksie.
⬤ Sugeruje, że obejmuje wszystko, ale nie pozwala w pełni opanować tematu.
(na podstawie 4 opinii czytelników)
Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine lear
Zintegruj scikit-learn z różnymi narzędziami, takimi jak NumPy, pandas, imbalanced-learn i scikit-surprise, i używaj go do rozwiązywania rzeczywistych problemów związanych z uczeniem maszynowym.
Kluczowe cechy
⬤ Zapoznaj się z uczeniem maszynowym dzięki temu kompleksowemu przewodnikowi po scikit-learn i naukowym Pythonie.
⬤ Opanuj sztukę rozwiązywania problemów opartych na danych dzięki praktycznym przykładom.
⬤ Wzmocnij swoją teoretyczną i praktyczną wiedzę na temat nadzorowanych i nienadzorowanych algorytmów uczenia maszynowego.
Opis książki
Uczenie maszynowe jest stosowane wszędzie, od biznesu po badania i środowiska akademickie, a scikit-learn to wszechstronna biblioteka, która jest popularna wśród praktyków uczenia maszynowego. Ta książka służy jako praktyczny przewodnik dla każdego, kto chce zapewnić praktyczne rozwiązania uczenia maszynowego za pomocą zestawów narzędzi scikit-learn i Python.
Książka rozpoczyna się od wyjaśnienia pojęć i podstaw uczenia maszynowego, zachowując równowagę między koncepcjami teoretycznymi a ich zastosowaniami. Każdy rozdział obejmuje inny zestaw algorytmów i pokazuje, jak wykorzystać je do rozwiązywania rzeczywistych problemów. Poznasz również różne kluczowe algorytmy uczenia maszynowego nadzorowanego i nienadzorowanego na praktycznych przykładach. Niezależnie od tego, czy jest to algorytm uczenia się oparty na instancjach, estymacja bayesowska, głęboka sieć neuronowa, zespół oparty na drzewie, czy system rekomendacji, zyskasz dogłębne zrozumienie jego teorii i dowiesz się, kiedy go zastosować. W miarę postępów dowiesz się, jak radzić sobie z nieoznakowanymi danymi i kiedy używać różnych algorytmów klastrowania i wykrywania anomalii.
Pod koniec tej książki o uczeniu maszynowym dowiesz się, jak przyjąć podejście oparte na danych, aby zapewnić kompleksowe rozwiązania w zakresie uczenia maszynowego. Dowiesz się także, jak formułować problemy, przygotowywać wymagane dane oraz oceniać i wdrażać modele w środowisku produkcyjnym.
Czego się nauczysz
⬤ Zrozumieć, kiedy używać algorytmów nadzorowanych, nienadzorowanych lub algorytmów uczenia ze wzmocnieniem.
⬤ Dowiesz się, jak zbierać i przygotowywać dane do zadań uczenia maszynowego.
⬤ radzenie sobie z niezrównoważonymi danymi i optymalizowanie algorytmu pod kątem kompromisu stronniczości lub wariancji
⬤ Stosowanie algorytmów nadzorowanych i nienadzorowanych w celu sprostania różnym wyzwaniom związanym z uczeniem maszynowym.
⬤ Stosowanie najlepszych praktyk w zakresie dostrajania hiperparametrów algorytmu.
⬤ Dowiedz się, jak używać sieci neuronowych do klasyfikacji i regresji.
⬤ Twórz, oceniaj i wdrażaj swoje rozwiązania uczenia maszynowego w środowisku produkcyjnym.
Dla kogo jest ta książka
Ta książka jest przeznaczona dla naukowców zajmujących się danymi, praktyków uczenia maszynowego i każdego, kto chce dowiedzieć się, jak działają algorytmy uczenia maszynowego i budować różne modele uczenia maszynowego przy użyciu ekosystemu Pythona. Książka pomoże ci przenieść wiedzę na temat uczenia maszynowego na wyższy poziom poprzez zrozumienie jego tajników i dostosowanie go do własnych potrzeb. Wymagana jest praktyczna znajomość języka Python i podstawowe zrozumienie podstawowych pojęć matematycznych i statystycznych.