Ocena:
Ogólnie rzecz biorąc, książka zapewnia kompleksowe zrozumienie uczenia maszynowego, szczególnie dla osób z doświadczeniem w programowaniu w Pythonie. Istnieją jednak poważne obawy dotyczące jakości druku i pewnych nieścisłości w sekcjach dotyczących głębokiego uczenia.
Zalety:⬤ Dobrze zorganizowana treść, która skutecznie wprowadza koncepcje uczenia maszynowego.
⬤ Przejrzyste wyjaśnienia pojęć matematycznych, algorytmów i praktycznych przykładów.
⬤ Wartościowa dla osób z doświadczeniem w programowaniu w Pythonie.
⬤ Dobra równowaga między teorią a praktycznym kodowaniem.
⬤ Pomocna zarówno dla studentów, jak i praktyków.
⬤ Słaba jakość druku w fizycznych egzemplarzach, często opisywana jako rozmazana lub wyblakła.
⬤ Niektóre sekcje dotyczące głębokiego uczenia się mogą być niejasne i zawierać nieścisłości.
⬤ Czarno-białe diagramy mogą utrudniać zrozumienie niektórych pojęć.
⬤ Dostarczony kod może nie działać bez określonych wersji pakietów, co może być frustrujące.
(na podstawie 71 opinii czytelników)
Stosowane uczenie maszynowe z solidnymi podstawami teoretycznymi. Poprawione i rozszerzone o TensorFlow 2, GAN i uczenie ze wzmocnieniem.
Główne cechy
⬤ Trzecia edycja bestsellerowej, powszechnie uznanej książki o uczeniu maszynowym w języku Python.
⬤ Przejrzyste i intuicyjne objaśnienia wprowadzają w teorię i praktykę uczenia maszynowego w języku Python.
⬤ W pełni zaktualizowane i rozszerzone o TensorFlow 2, modele Generative Adversarial Network, uczenie ze wzmocnieniem i najlepsze praktyki.
Opis książki
Python Machine Learning, Third Edition to kompleksowy przewodnik po uczeniu maszynowym i głębokim uczeniu się w języku Python. Działa zarówno jako samouczek krok po kroku, jak i odniesienie, do którego będziesz wracać podczas budowania systemów uczenia maszynowego.
Pełna jasnych wyjaśnień, wizualizacji i działających przykładów książka dogłębnie omawia wszystkie podstawowe techniki uczenia maszynowego. Podczas gdy niektóre książki uczą tylko podążania za instrukcjami, w tej książce Raschka i Mirjalili uczą zasad uczenia maszynowego, umożliwiając samodzielne tworzenie modeli i aplikacji.
Zaktualizowane pod kątem TensorFlow 2.0, to nowe trzecie wydanie wprowadza czytelników w nowe funkcje API Keras, a także najnowsze dodatki do scikit-learn. Rozszerzono ją również o najnowocześniejsze techniki uczenia ze wzmocnieniem oparte na uczeniu głębokim, a także wprowadzenie do sieci GAN. Wreszcie, książka ta bada również poddziedzinę przetwarzania języka naturalnego (NLP) zwaną analizą nastrojów, pomagając nauczyć się, jak używać algorytmów uczenia maszynowego do klasyfikowania dokumentów.
Ta książka jest towarzyszem uczenia maszynowego z Pythonem, niezależnie od tego, czy jesteś programistą Pythona początkującym w uczeniu maszynowym, czy też chcesz pogłębić swoją wiedzę na temat najnowszych osiągnięć.
Czego się nauczysz
⬤ Opanuj frameworki, modele i techniki, które umożliwiają maszynom "uczenie się" z danych.
⬤ Używać scikit-learn do uczenia maszynowego i TensorFlow do głębokiego uczenia.
⬤ Zastosuj uczenie maszynowe do klasyfikacji obrazów, analizy nastrojów, inteligentnych aplikacji internetowych i nie tylko.
⬤ Budować i trenować sieci neuronowe, GAN i inne modele.
⬤ Poznanie najlepszych praktyk w zakresie oceny i dostrajania modeli.
⬤ Przewidywanie ciągłych wyników docelowych przy użyciu analizy regresji.
⬤ Zagłębić się w dane tekstowe i dane z mediów społecznościowych za pomocą analizy nastrojów.
Dla kogo jest ta książka
Jeśli znasz trochę Pythona i chcesz korzystać z uczenia maszynowego i głębokiego uczenia, sięgnij po tę książkę. Niezależnie od tego, czy chcesz zacząć od zera, czy poszerzyć swoją wiedzę na temat uczenia maszynowego, jest to niezbędne źródło informacji. Napisana dla programistów i analityków danych, którzy chcą tworzyć praktyczny kod uczenia maszynowego i głębokiego uczenia, książka ta jest idealna dla każdego, kto chce nauczyć komputery, jak uczyć się z danych.
