Machine Learning Pocket Reference: Praca z danymi strukturalnymi w Pythonie

Opinie czytelników

Książka służy jako praktyczne odniesienie dla osób posiadających pewną podstawową wiedzę z zakresu nauki o danych i uczenia maszynowego, dostarczając zwięzłych przykładów kodu i dokładnego omówienia kluczowych etapów projektu. Cierpi jednak na problemy produkcyjne i brakuje jej głębi w treściach akademickich.

⬤ Doskonały towarzysz dla osób z pewną podstawową wiedzą z zakresu nauki o danych i Pythona.
⬤ Skupia się na praktycznych implikacjach i jasnych, zwięzłych przykładach, a nie na gęstej treści akademickiej.
⬤ Dobrze podzielone tematy pozwalają na łatwe odniesienie.
⬤ Obejmuje różnorodne techniki ML i wprowadza najnowsze biblioteki, takie jak Yellowbrick.
⬤ Lekki i przenośny dla szybkiego odniesienia.

⬤ Nie uczy od podstaw; nie nadaje się dla początkujących.
⬤ Brak omówienia głębokiego uczenia i niektórych nowoczesnych bibliotek.
⬤ Problemy z jakością produkcji, nieczytelne wykresy i problemy z oprawą.
⬤ Niektórzy recenzenci stwierdzili, że zbytnio koncentruje się na kodzie bez wystarczającej teorii matematycznej.

(na podstawie 13 opinii czytelników)

Oryginalny tytuł:

Machine Learning Pocket Reference: Working with Structured Data in Python

Zawartość książki:

Dzięki szczegółowym notatkom, tabelom i przykładom, to poręczne odniesienie pomoże ci poruszać się po podstawach ustrukturyzowanego uczenia maszynowego. Autor Matt Harrison dostarcza cenny przewodnik, który można wykorzystać jako dodatkowe wsparcie podczas szkolenia i jako wygodne źródło informacji podczas nurkowania w następnym projekcie uczenia maszynowego.

Idealna dla programistów, analityków danych i inżynierów sztucznej inteligencji, książka ta zawiera przegląd procesu uczenia maszynowego i prowadzi przez klasyfikację za pomocą ustrukturyzowanych danych. Poznasz również metody grupowania, przewidywania wartości ciągłej (regresji) i zmniejszania wymiarowości.

Ten kieszonkowy przewodnik zawiera następujące sekcje

⬤ Klasyfikacja przy użyciu zestawu danych Titanic.

⬤ Czyszczenie danych i radzenie sobie z brakującymi danymi.

⬤ Eksploracyjną analizę danych.

⬤ Wspólne etapy przetwarzania wstępnego z wykorzystaniem przykładowych danych.

⬤ Wybór cech przydatnych dla modelu.

⬤ Wybór modelu.

⬤ Metryki i ocena klasyfikacji.

⬤ Przykłady regresji z wykorzystaniem k-najbliższego sąsiada, drzew decyzyjnych, boostingu i innych.

⬤ Mierniki do oceny regresji.

⬤ Klasteryzacja.

⬤ Redukcja wymiarowości.

⬤ Potoki uczenia się Scikit.