Ocena:
Książka „Programming Machine Learning” autorstwa Paolo Perrotty jest powszechnie ceniona za jasne i metodyczne podejście do wprowadzania koncepcji uczenia maszynowego. Z powodzeniem prowadzi ona początkujących przez podstawy uczenia maszynowego i sieci neuronowych bez silnego polegania na istniejących bibliotekach, czyniąc złożone tematy bardziej przystępnymi. Niektórzy recenzenci zauważyli jednak braki w głębszych wyjaśnieniach matematycznych i niektórych zaawansowanych tematach, co sugeruje, że może nie spełniać potrzeb osób poszukujących obszernego pokrycia w tych obszarach.
Zalety:⬤ Przejrzyste i stopniowe wprowadzenie do koncepcji uczenia maszynowego.
⬤ Dobre wyjaśnienia matematyki i kodu.
⬤ Praktyczne, praktyczne podejście z przykładami.
⬤ Dobrze zilustrowane diagramy, które zwiększają zrozumienie.
⬤ Spersonalizowane wsparcie i zaangażowanie autora.
⬤ Świetna dla początkujących i średnio zaawansowanych programistów chcących zbudować fundamentalną wiedzę.
⬤ Brak dogłębnego matematycznego opisu pojęć.
⬤ Niektóre rozdziały, takie jak te dotyczące CNN, są uważane za niewystarczające.
⬤ Ograniczone omówienie zaawansowanych tematów, które może nie zadowolić osób poszukujących kompleksowej wiedzy.
(na podstawie 19 opinii czytelników)
Programming Machine Learning: From Coding to Deep Learning
Zdecydowałeś się zająć uczeniem maszynowym - ponieważ szukasz pracy, rozpoczynasz nowy projekt lub po prostu uważasz, że samojezdne samochody są fajne. Ale od czego zacząć? Łatwo jest być onieśmielonym, nawet jako programista. Dobra wiadomość jest taka, że nie musi to być takie trudne. Opanuj uczenie maszynowe, pisząc kod jedna linijka po drugiej, od prostych programów uczących się aż po prawdziwy system głębokiego uczenia. Poruszaj się po trudnych tematach, rozkładając je na czynniki pierwsze, aby były łatwiejsze do zrozumienia, i buduj swoją pewność siebie, brudząc sobie ręce.
Pozbądź się niejasności związanych z uczeniem maszynowym, zaczynając od podstaw i przechodząc aż do głębokiego uczenia. Uczenie maszynowe może onieśmielać, ponieważ opiera się na matematyce i algorytmach, których większość programistów nie spotyka w swojej zwykłej pracy. Przyjmij praktyczne podejście, pisząc kod Pythona samodzielnie, bez żadnych bibliotek, które zaciemniałyby to, co naprawdę się dzieje. Iteruj swój projekt i dodawaj warstwy złożoności w miarę postępów.
Zbuduj od podstaw aplikację do rozpoznawania obrazów dzięki uczeniu nadzorowanemu. Przewidywanie przyszłości za pomocą regresji liniowej. Zanurz się w gradient descent, podstawowy algorytm, który napędza większość uczenia maszynowego. Tworzenie perceptronów do klasyfikacji danych. Twórz sieci neuronowe, aby radzić sobie z bardziej złożonymi i wyrafinowanymi zestawami danych. Trenuj i udoskonalaj te sieci za pomocą wstecznej propagacji i batchingu. Warstwuj sieci neuronowe, eliminuj nadmierne dopasowanie i dodawaj splot, aby przekształcić sieć neuronową w prawdziwy system głębokiego uczenia.
Zacznij od początku i zakoduj swoją drogę do mistrzostwa w uczeniu maszynowym.
Czego potrzebujesz:
Przykłady w tej książce są napisane w Pythonie, ale nie martw się, jeśli nie znasz tego języka: bardzo szybko opanujesz wszystkie potrzebne elementy Pythona. Poza tym, będziesz potrzebował tylko komputera i mózgu zdolnego do kodowania.