Opanowanie algorytmów uczenia maszynowego - wydanie drugie

Opinie czytelników

Książka „Mastering Machine Learning Algorithms” autorstwa Giuseppe Bonaccorso jest chwalona za kompleksowe i szczegółowe omówienie algorytmów uczenia maszynowego, podstaw matematycznych i praktycznych przykładów kodowania. Choć książka ta jest doskonałym źródłem wiedzy dla średnio zaawansowanych i zaawansowanych, może być przytłaczająca dla początkujących ze względu na swoją głębię i wymaganą wcześniejszą wiedzę.

⬤ Kompleksowe omówienie różnych algorytmów i metod uczenia maszynowego.
⬤ Mocne podstawy matematyczne zapewniające lepsze zrozumienie.
⬤ Dobra równowaga między teorią a praktycznymi przykładami kodowania.
⬤ Zawiera dalsze sekcje do czytania w celu pogłębienia wiedzy.
⬤ Wysoko ceniona jako podręcznik zarówno przez studentów, jak i profesjonalistów w tej dziedzinie.

⬤ Nieodpowiednia dla początkujących
⬤ Wymaga solidnego zrozumienia uczenia maszynowego i matematyki.
⬤ Niektórzy użytkownicy uznali ją za przytłaczającą i nieco zdezorganizowaną.
⬤ Brak obszernych praktycznych przykładów implementacji w Pythonie
⬤ Może być zbyt teoretyczna.
⬤ Kilka drobnych błędów w treści.

(na podstawie 22 opinii czytelników)

Oryginalny tytuł:

Mastering Machine Learning Algorithms - Second Edition

Zawartość książki:

Zaktualizowane i poprawione drugie wydanie bestsellerowego przewodnika do odkrywania i opanowania najważniejszych algorytmów do rozwiązywania złożonych problemów uczenia maszynowego Kluczowe cechy Zaktualizowany o nowe algorytmy i techniki Kod zaktualizowany do Python 3. 8 i TensorFlow 2.x Nowe omówienie analizy regresji, analizy szeregów czasowych, modeli głębokiego uczenia i najnowocześniejszych aplikacji Opis książki

Mastering Machine Learning Algorithms, Second Edition pomaga wykorzystać prawdziwą moc algorytmów uczenia maszynowego w celu wdrożenia inteligentniejszych sposobów zaspokajania dzisiejszych przytłaczających potrzeb w zakresie danych. Ten nowo zaktualizowany i poprawiony przewodnik pomoże ci opanować algorytmy szeroko stosowane w pół-nadzorowanym uczeniu się, uczeniu się ze wzmocnieniem, nadzorowanym uczeniu się i nienadzorowanym uczeniu się.

Wykorzystasz wszystkie nowoczesne biblioteki z ekosystemu Pythona - w tym NumPy i Keras - do wyodrębniania cech z różnych złożonych danych. Począwszy od modeli bayesowskich, przez algorytm Monte Carlo z łańcuchem Markowa, aż po ukryte modele Markowa, ta książka o uczeniu maszynowym uczy, jak wyodrębniać cechy ze zbioru danych, przeprowadzać złożoną redukcję wymiarowości oraz trenować modele nadzorowane i pół-nadzorowane, korzystając z bibliotek opartych na Pythonie, takich jak scikit-learn. Poznasz również praktyczne zastosowania złożonych technik, takich jak estymacja maksymalnego prawdopodobieństwa, uczenie hebbowskie i uczenie zespołowe, a także dowiesz się, jak używać TensorFlow 2.x do trenowania efektywnych głębokich sieci neuronowych.

Pod koniec tej książki będziesz gotowy do implementacji i rozwiązywania kompleksowych problemów związanych z uczeniem maszynowym i scenariuszami przypadków użycia. Czego się nauczysz Poznaj charakterystykę algorytmów uczenia maszynowego Zaimplementuj algorytmy z domen nadzorowanych, pół-nadzorowanych, nienadzorowanych i RL Dowiedz się, jak działa regresja w analizie szeregów czasowych i przewidywaniu ryzyka Twórz, modeluj i trenuj złożone modele probabilistyczne Klasteryzuj dane o dużej wymiarowości i oceniaj dokładność modelu Odkryj, jak działają sztuczne sieci neuronowe - trenuj je, optymalizuj i waliduj Pracuj z autoenkoderami, sieciami hebbowskimi i sieciami GAN Dla kogo jest ta książka?

Ta książka jest przeznaczona dla profesjonalistów zajmujących się nauką o danych, którzy chcą zagłębić się w złożone algorytmy ML, aby zrozumieć, w jaki sposób można budować różne modele uczenia maszynowego. Wymagana jest znajomość programowania w języku Python. Spis treści Podstawy modeli uczenia maszynowego Funkcje strat i regularyzacja Wprowadzenie do uczenia półnadzorowanego Zaawansowana klasyfikacja półnadzorowana Oparte na grafach uczenie półnadzorowane Klastrowanie i modele nienadzorowane Zaawansowane klastrowanie i modele nienadzorowane Klastrowanie i modele nienadzorowane dla marketingu Uogólnione modele liniowe i regresja Wprowadzenie do analizy szeregów czasowych Sieci bayesowskie i ukryte modele Markowa Analiza szeregów czasowych Sieci bayesowskie i ukryte modele Markowa Algorytm EM Analiza składowych i redukcja wymiarowości Uczenie hebbowskie Podstawy uczenia zespołowego Zaawansowane algorytmy boostingu Modelowanie sieci neuronowych Optymalizacja sieci neuronowych Głębokie sieci konwolucyjne Rekursywne sieci neuronowe Auto-Enkodery Wprowadzenie do generatywnych sieci kontradyktoryjnych Głębokie sieci przekonań Wprowadzenie do uczenia ze wzmocnieniem Zaawansowane algorytmy szacowania polityki