Python Machine Learning Cookbook: 100 przepisów, które uczą, jak wykonywać różne zadania uczenia maszynowego w świecie rzeczywistym

Opinie czytelników

Książka jest praktycznym przewodnikiem po uczeniu maszynowym, odpowiednim zarówno dla początkujących, jak i tych z pewnym doświadczeniem. Chociaż oferuje jasne wyjaśnienia i silny nacisk na stosowane algorytmy, niektórzy czytelnicy uważają, że niektóre treści są traktowane zbyt krótko.

Doskonała przejrzystość i praktyczny nacisk na implementację algorytmów uczenia maszynowego.

# Istotne i aktualne informacje o współczesnych zastosowaniach.

(na podstawie 5 opinii czytelników)

Oryginalny tytuł:

Python Machine Learning Cookbook: 100 recipes that teach you how to perform various machine learning tasks in the real world

Zawartość książki:

100 przepisów, które uczą, jak wykonywać różne zadania uczenia maszynowego w świecie rzeczywistym

Kluczowe cechy

⬤ Zrozumienie, których algorytmów użyć w danym kontekście z pomocą tego ekscytującego przewodnika opartego na przepisach.

⬤ Dowiedz się więcej o perceptronach i zobacz, jak są one wykorzystywane do budowy sieci neuronowych.

⬤ Utknąłeś podczas nadawania sensu obrazom, tekstowi, mowie i nieruchomościom? Ten przewodnik przyjdzie ci na ratunek, pokazując, jak wykonać uczenie maszynowe dla każdego z nich przy użyciu różnych technik.

Opis książki

Uczenie maszynowe staje się coraz bardziej powszechne w nowoczesnym świecie opartym na danych. Jest szeroko stosowane w wielu dziedzinach, takich jak wyszukiwarki, robotyka, autonomiczne samochody i wiele innych.

Dzięki tej książce dowiesz się, jak wykonywać różne zadania uczenia maszynowego w różnych środowiskach. Zaczniemy od zbadania szeregu rzeczywistych scenariuszy, w których można wykorzystać uczenie maszynowe, i przyjrzymy się różnym blokom konstrukcyjnym. W całej książce będziesz korzystać z szerokiej gamy algorytmów uczenia maszynowego do rozwiązywania rzeczywistych problemów i używać Pythona do implementacji tych algorytmów.

Dowiesz się, jak radzić sobie z różnymi typami danych i poznasz różnice między paradygmatami uczenia maszynowego, takimi jak uczenie nadzorowane i nienadzorowane. Omówimy również szereg technik regresji, algorytmów klasyfikacji, modelowania predykcyjnego, technik wizualizacji danych, silników rekomendacji i innych za pomocą rzeczywistych przykładów.

Czego się nauczysz

⬤ Poznaj algorytmy klasyfikacji i zastosuj je do problemu szacowania przedziału dochodów.

⬤ Wykorzystywać modelowanie predykcyjne i stosować je do rzeczywistych problemów.

⬤ Zrozumieć, jak przeprowadzić segmentację rynku przy użyciu nienadzorowanego uczenia się.

⬤ Poznanie technik wizualizacji danych w celu interakcji z danymi na różne sposoby.

⬤ Dowiedz się, jak zbudować silnik rekomendacji.

⬤ Zrozumieć, jak wchodzić w interakcje z danymi tekstowymi i budować modele do ich analizy.

⬤ Praca z danymi mowy i rozpoznawanie wypowiadanych słów przy użyciu Ukrytych Modeli Markowa.

⬤ Analizować dane giełdowe przy użyciu Conditional Random Fields.

⬤ Praca z danymi obrazowymi i tworzenie systemów rozpoznawania obrazów i biometrycznego rozpoznawania twarzy.

⬤ Zrozumieć, jak używać głębokich sieci neuronowych do budowy systemu optycznego rozpoznawania znaków.