Pro Machine Learning Algorithms: Praktyczne podejście do implementacji algorytmów w Pythonie i R

Opinie czytelników

Książka jest wysoce zalecana zarówno dla początkujących, jak i zaawansowanych osób uczących się uczenia maszynowego. Skutecznie demonstruje kluczowe koncepcje uczenia maszynowego za pomocą narzędzi takich jak Excel, R i Python, dzięki czemu jest przystępna i zrozumiała dla czytelników bez doświadczenia w nauce o danych. Treść jest przedstawiona w jasny i logiczny sposób, dzięki czemu złożone algorytmy są łatwiejsze do zrozumienia.

⬤ Szczegółowe wyjaśnienia koncepcji uczenia maszynowego
⬤ przystępne dla początkujących
⬤ praktyczne wykorzystanie narzędzi takich jak Excel, R i Python
⬤ prosta prezentacja algorytmów
⬤ odpowiednia zarówno dla początkujących, jak i zaawansowanych
⬤ dobra do przygotowania się do rozmowy kwalifikacyjnej.

Niektórym czytelnikom może brakować głębi w zaawansowanych koncepcjach lub technikach matematycznych, ponieważ kładzie nacisk na dostępność, a nie złożoność.

(na podstawie 6 opinii czytelników)

Oryginalny tytuł:

Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R

Zawartość książki:

Rozdział 1: Podstawowe statystykiCel rozdziału: Zbudowanie podstaw statystycznych dla uczenia maszynowegoLiczba stron 20Podtematy1. Wprowadzenie do różnych funkcji statystycznych1. Wprowadzenie do rozkładów2. Testowanie hipotez3. Klasy przypadków.

Rozdział 2: Regresja liniowa Cel rozdziału: Pomoc czytelnikowi w opanowaniu regresji liniowej dzięki teorii i praktycznym koncepcjom Liczba stron: 25Podtematy 1. Wprowadzenie do regresji 2. Błąd najmniejszych kwadratów3. Implementacja regresji liniowej w Excelu, R i Pythonie4. Pomiar błędu.

Rozdział 3: Regresja logistycznaCel rozdziału: Pomoc czytelnikowi w opanowaniu regresji logistycznej dzięki teorii i praktycznym koncepcjom Liczba stron: 25Podsumowanie - Tematy: 1. Wprowadzenie do regresji logistycznej 2. Błąd entropii krzyżowej3. Implementacja regresji logistycznej w Excelu, R i Pythonie4. Obliczanie obszaru pod krzywą.

Rozdział 4: Drzewo decyzyjneCel rozdziału: Pomoc czytelnikowi w opanowaniu drzewa decyzyjnego dzięki teorii i praktycznym koncepcjom Liczba stron: 40Podtematy: 1. Wprowadzenie do drzew decyzyjnych 2. Zysk informacyjny3. Drzewo decyzyjne dla klasyfikacji i regresji4. Implementacja drzewa decyzyjnego w Excelu, R i Pythonie5. Pomiar błęduRozdział 5: Lasy losoweCel rozdziału: Pomóc czytelnikowi opanować lasy losowe z teorią i praktycznymi koncepcjami Liczba stron: 15Podtematy: 1. Przejście od drzew decyzyjnych do lasów losowych2. Implementacja lasów losowych w R i Pythonie z wykorzystaniem funkcji drzew decyzyjnychRozdział 6: GBMCele rozdziału: Pomoc czytelnikowi w opanowaniu GBM z teorią i praktycznymi koncepcjami Liczba stron: 20Podtematy: 1. Zrozumienie procesu wzmacniania gradientowego2. Różnica między gradient boost & adaboost3. Implementacja GBM w R i Pythonie przy użyciu funkcji drzewa decyzyjnegoRozdział 7: Sieci neuronoweCel rozdziału: Pomoc czytelnikowi w opanowaniu sieci neuronowych z teorią i praktycznymi koncepcjamiLiczba stron: 30Podtematy: 1. Propagacja w przód2. Propagacja wsteczna3. Wpływ epok i szybkości uczenia4. Implementacja sieci neuronowych w Excelu, R i PythonieRozdział 8: Konwolucyjne sieci neuronoweCel rozdziału: Pomoc czytelnikowi w opanowaniu CNN dzięki teorii i praktycznym koncepcjomLiczba stron: 30Podtematy: 1. Przejście od NN do CNN2. Kluczowe parametry w CNN3. Implementacja CNN w Excelu i Pythonie.

Rozdział 9: RNNCele rozdziału: Pomoc czytelnikowi w opanowaniu RNN z teorią i praktycznymi koncepcjamiLiczba stron: 25Podtematy: 1. Potrzeba RNN2. Kluczowe odmiany RNN3. &nb.