Ocena:
Książka jest praktycznym źródłem informacji dla osób zainteresowanych uczeniem maszynowym, w szczególności w języku Python. Zapewnia przystępne wprowadzenie do różnych koncepcji uczenia maszynowego, koncentrując się na praktycznych przykładach i implementacjach kodu. Została jednak skrytykowana za powierzchowne omówienie teorii matematycznych i pewne błędy w kodowaniu. Choć jest to dobre uzupełnienie bardziej teoretycznych tekstów, może nie wystarczyć dla zupełnie początkujących w uczeniu maszynowym lub Pythonie.
Zalety:⬤ Praktyczne podejście z przykładami krok po kroku
⬤ obejmuje popularne biblioteki Pythona
⬤ dobrze wyjaśnione segmenty kodu
⬤ dobre dla osób z pewną wcześniejszą wiedzą na temat ML
⬤ zawiera rzeczywiste aplikacje
⬤ przyjemny styl pisania
⬤ zapewnia przydatne najlepsze praktyki.
⬤ Niewiele teorii i matematycznej głębi
⬤ niektóre przykłady kodu zawierają błędy
⬤ może nie być odpowiedni dla zupełnie początkujących w ML lub Pythonie
⬤ zgłaszane problemy z typesettingiem
⬤ niektórym objaśnieniom brakuje kontekstu
⬤ nieaktualne dane i wymagania.
(na podstawie 20 opinii czytelników)
Python Machine Learning by Example - Third Edition: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn
Kompleksowy przewodnik, który pozwoli ci zapoznać się z najnowszymi osiągnięciami praktycznego uczenia maszynowego w Pythonie i poprawić zrozumienie algorytmów i technik uczenia maszynowego.
Główne cechy
⬤ Zanurz się w algorytmach uczenia maszynowego, aby rozwiązać złożone wyzwania, przed którymi stoją dziś naukowcy zajmujący się danymi.
⬤ Poznaj najnowocześniejsze treści odzwierciedlające rozwój głębokiego uczenia się i uczenia ze wzmocnieniem.
⬤ Korzystaj ze zaktualizowanych bibliotek Pythona, takich jak TensorFlow, PyTorch i scikit-learn, aby śledzić projekty uczenia maszynowego od początku do końca.
Opis książki
Python Machine Learning By Example, Third Edition to kompleksowe wprowadzenie do świata uczenia maszynowego (ML).
Dzięki sześciu nowym rozdziałom na tematy takie jak rozwój silnika rekomendacji filmów z Na ve Bayesem, rozpoznawanie twarzy za pomocą maszyny wektorów nośnych, przewidywanie cen akcji za pomocą sztucznych sieci neuronowych, kategoryzowanie obrazów odzieży za pomocą splotowych sieci neuronowych, przewidywanie za pomocą sekwencji przy użyciu powtarzających się sieci neuronowych oraz wykorzystywanie uczenia się ze wzmocnieniem do podejmowania decyzji, książka została znacznie zaktualizowana pod kątem najnowszych wymagań przedsiębiorstw.
Jednocześnie książka ta dostarcza praktycznych spostrzeżeń na temat kluczowych podstaw ML z programowaniem w Pythonie. Hayden wykorzystuje swoją wiedzę, aby zademonstrować implementacje algorytmów w Pythonie, zarówno od podstaw, jak i przy użyciu bibliotek.
Każdy rozdział omawia aplikację przyjętą w branży. Z pomocą realistycznych przykładów, zrozumiesz mechanikę technik ML w obszarach takich jak eksploracyjna analiza danych, inżynieria cech, klasyfikacja, regresja, klastrowanie i NLP.
Pod koniec tej książki ML Python zyskasz szeroki obraz ekosystemu ML i będziesz dobrze zorientowany w najlepszych praktykach stosowania technik ML do rozwiązywania problemów.
Czego się nauczysz
⬤ Zrozumieć ważne koncepcje w ML i nauce o danych.
⬤ Używać Pythona do eksploracji świata eksploracji danych i analityki.
⬤ Skalować trening modeli przy użyciu różnych złożoności danych za pomocą Apache Spark.
⬤ Zagłębić się w analizę tekstu i NLP przy użyciu bibliotek Pythona, takich jak NLTK i Gensim.
⬤ Wybór i budowa modelu ML oraz ocena i optymalizacja jego wydajności.
⬤ Zaimplementuj algorytmy ML od podstaw w Pythonie, TensorFlow 2, PyTorch i scikit-learn.
Dla kogo jest ta książka
.
Jeśli jesteś entuzjastą uczenia maszynowego, analitykiem danych lub inżynierem danych, który pasjonuje się uczeniem maszynowym i chcesz rozpocząć pracę nad zadaniami związanymi z uczeniem maszynowym, ta książka jest dla Ciebie.
Zakłada się wcześniejszą znajomość kodowania w języku Python, a podstawowa znajomość pojęć statystycznych będzie korzystna, choć nie jest to konieczne.