Opinie czytelników
Podsumowanie:Książka jest chwalona za doskonałe i zwięzłe wprowadzenie do uczenia maszynowego, ale została skrytykowana za liczne błędy, szczególnie dla początkujących, co prowadzi do frustracji. Projekt i jakość materiałów zostały pozytywnie odnotowane w jednej z recenzji.
Zalety:⬤ Zwięzłe wprowadzenie do uczenia maszynowego
⬤ dobrze zaprojektowane z wysokiej jakości materiałami
⬤ zapewnia zasoby pomocnicze dla początkujących
⬤ korzystne doświadczenie zakupowe dla niektórych czytelników.
Wady:⬤ Zawiera wiele błędów, które mogą frustrować początkujących
⬤ słabe wsparcie wydawcy i trudności w pobieraniu e-booków
⬤ negatywne doświadczenia prowadzące do zwrotów dla niektórych czytelników.
(na podstawie 3 opinii czytelników)
Oryginalny tytuł:
Python Scikit-Learn for Beginners: Scikit-Learn Specialization for Data Scientist
Zawartość książki:
Python dla analityków danych - specjalizacja Scikit-Learn.
Scikit-Learn, znana również jako Sklearn, to darmowa biblioteka uczenia maszynowego (ML) o otwartym kodzie źródłowym wykorzystywana w języku Python. W lutym 2010 roku biblioteka ta została po raz pierwszy upubliczniona. W ciągu niecałych trzech lat stała się jedną z najpopularniejszych bibliotek uczenia maszynowego na Githubie. Scikit-learn to najlepsze miejsce, by zacząć od dostępu do łatwych w użyciu, najwyższej klasy implementacji popularnych algorytmów. Biblioteka ta przyspiesza rozwój modeli ML. Głównymi funkcjami biblioteki Scikit-learn są algorytmy regresji, klasyfikacji i grupowania (lasy losowe, K-średnich, gradient boosting, DBSCAN i maszyny wektorów nośnych). Biblioteka Scikit-learn dobrze integruje się również z innymi bibliotekami Pythona, takimi jak NumPy, Pandas, IPython, SciPy, Sympy i Matplotlib, w celu realizacji różnych zadań. Python dla analityków danych: Scikit-Learn Specialization prezentuje praktyczne, proste podejście do szybkiej nauki Scikit-Learn.
Czym różni się ta książka?
Większość książek o Pythonie zakłada, że wiesz, jak kodować za pomocą Pandas, NumPy i Matplotlib. Ale ta książka tego nie robi. Autor poświęca dużo czasu na naukę pisania najprostszych kodów w Pythonie w celu uzyskania modeli uczenia maszynowego. Dogłębne omówienie biblioteki Scikit-learn rozpoczyna się od trzeciego rozdziału. Przejście od razu do Scikit-learn ułatwia śledzenie postępów. Kolejną zaletą jest to, że Jupyter Notebook jest używany do pisania i wyjaśniania kodu w całej książce. Dostęp do zestawów danych wykorzystywanych w tej książce można łatwo uzyskać, pobierając je w czasie wykonywania. Można również uzyskać do nich dostęp za pośrednictwem folderu Datasets w repozytoriach SharePoint i GitHub. Możesz również pracować nad trzema praktycznymi mini-projektami:
⬤ Wykrywanie spamu za pomocą Scikit-Learn.
⬤ Analiza sentymentalna filmów IMDB.
⬤ Klasyfikacja obrazów za pomocą Scikit-Learn.
Skrypty, wykresy i obrazy w książce są przejrzyste i zapewniają łatwe do zrozumienia wizualizacje do opisu tekstowego. Jeśli jesteś nowy w nauce o danych, znajdziesz tę książkę jako świetną opcję do samodzielnej nauki. Ogólnie rzecz biorąc, możesz liczyć na to, że ta książka uczenie się przez działanie pomoże ci szybciej osiągnąć cele zawodowe związane z nauką o danych.
Poruszane tematy obejmują:
⬤ Wprowadzenie do Scikit-Learn i innych bibliotek uczenia maszynowego.
⬤ Konfiguracja środowiska i szybki kurs Pythona.
⬤ Wstępne przetwarzanie danych za pomocą Scikit-Learn.
⬤ Wybór funkcji za pomocą biblioteki Python Scikit-Learn.
⬤ Rozwiązywanie problemów regresji w uczeniu maszynowym przy użyciu biblioteki Sklearn.
⬤ Rozwiązywanie problemów klasyfikacji w uczeniu maszynowym przy użyciu biblioteki Sklearn.
⬤ Klasteryzacja danych przy użyciu biblioteki Scikit-Learn.
⬤ Redukcja wymiarowości za pomocą PCA i LDA z wykorzystaniem biblioteki Sklearn.
⬤ Wybór najlepszych modeli za pomocą biblioteki Scikit-Learn.
⬤ Przetwarzanie języka naturalnego za pomocą Scikit-Learn.
⬤ Klasyfikacja obrazów za pomocą Scikit-Learn.
Kliknij przycisk KUP TERAZ i rozpocznij swoją przygodę z nauką o danych.
