Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 10 głosach.
Hands-on Supervised Learning with Python: Learn How to Solve Machine Learning Problems with Supervised Learning Algorithms Using Python
Praktyczne rozwiązywanie problemów ML i tworzenie rozwiązań przy użyciu Pythona.
Kluczowe cechy
⬤ Wprowadzenie do programowania w Pythonie.
⬤ Python dla uczenia maszynowego.
⬤ Wprowadzenie do uczenia maszynowego.
⬤ Wprowadzenie do modelowania predykcyjnego, algorytmy nadzorowane i nienadzorowane.
⬤ Regresja liniowa, regresja logistyczna i maszyny wektorów nośnych.
Opis
Poznasz podstawy uczenia maszynowego i programowania w języku Python, które zostaną wprowadzone do modelowania predykcyjnego i różnych metodologii modelowania predykcyjnego. Poznasz algorytmy uczenia nadzorowanego i algorytmy uczenia nienadzorowanego oraz różnice między nimi.
Skupimy się na nauce nadzorowanych algorytmów uczenia maszynowego obejmujących regresję liniową, regresję logistyczną, maszyny wektorów nośnych, drzewa decyzyjne i sztuczne sieci neuronowe. W przypadku każdego z tych algorytmów będziesz pracować z otwartymi zbiorami danych i używać programowania Python do programowania algorytmów uczenia maszynowego. Dowiesz się o czyszczeniu danych i optymalizacji funkcji, aby uzyskać najlepsze wyniki z modelu uczenia maszynowego. Dowiesz się o różnych parametrach, które określają dokładność twojego modelu i jak możesz dostroić swój model w oparciu o odzwierciedlenie tych parametrów.
Czego się nauczysz
⬤ Uzyskać jasną wizję tego, czym jest uczenie maszynowe i zapoznać się z podstawowymi zasadami uczenia maszynowego.
⬤ Zrozumieć biblioteki specyficzne dla języka Python dostępne dla uczenia maszynowego i być w stanie pracować z tymi bibliotekami.
Poznanie różnych algorytmów opartych na uczeniu nadzorowanym w uczeniu maszynowym i wiedza, jak je wdrożyć, gdy zostanie ci przedstawiony przypadek użycia w czasie rzeczywistym.
⬤ Praktyczna eksploracja danych, czyszczenie danych, wstępne przetwarzanie danych i implementacja modeli.
⬤ Zapoznanie się z podstawami głębokiego uczenia i kilkoma interesującymi algorytmami w tej dziedzinie.
⬤ Wybór odpowiedniego modelu na podstawie postawionego problemu i praca z technikami EDA w celu uzyskania dobrej dokładności modelu.
Dla kogo jest ta książka
Ta książka jest przeznaczona dla każdego, kto jest zainteresowany zrozumieniem uczenia maszynowego. Początkujący, inżynierowie uczenia maszynowego i badacze danych, którzy chcą zapoznać się z algorytmami uczenia nadzorowanego, uznają tę książkę za pomocną.
Spis treści
1. Wprowadzenie do programowania w języku Python.
2. Python dla uczenia maszynowego.
3. Wprowadzenie do uczenia maszynowego.
4. Uczenie nadzorowane i uczenie nienadzorowane.
5. Regresja liniowa: Praktyczny przewodnik 6. Regresja logistyczna - wprowadzenie.
7. Rzut oka na działanie maszyn wektorów nośnych (SVM)
8. Drzewa decyzyjne.
9. Lasy losowe.
10. Modele szeregów czasowych w uczeniu maszynowym.
11. Wprowadzenie do sieci neuronowych.
12. Rekurencyjne sieci neuronowe.
13. Konwolucyjne sieci neuronowe.
14. Metryki wydajności.
15. Wprowadzenie do myślenia projektowego.
16. Studium przypadku myślenia projektowego.