Opinie czytelników
Podsumowanie:Książka jest przede wszystkim chwalona za swoją przystępność i przydatność dla początkujących w uczeniu maszynowym. Zawiera wiele praktycznych przykładów kodowania i obejmuje wiele aktualnych algorytmów. Jednak niektórzy zaawansowani użytkownicy krytykują ją za brak głębi, szczególnie w wyjaśnieniach matematycznych i bardziej złożonych tematach.
Zalety:⬤ Przystępna i łatwa w odbiorze dla początkujących.
⬤ Wiele praktycznych przykładów ilustrujących pojęcia.
⬤ Obejmuje aktualne algorytmy ML.
⬤ Stanowi dobre wprowadzenie do Python Machine Learning i SciKit-Learn.
Wady:⬤ Brak głębi w matematycznych wyjaśnieniach i zaawansowanych tematach.
⬤ Nie nadaje się dla zaawansowanych użytkowników lub osób ze średnią wiedzą.
⬤ Niektórzy użytkownicy uważają jej zawartość za zbyt podstawową.
⬤ Jakość materiałów jest krytykowana jako słaba.
(na podstawie 10 opinii czytelników)
Oryginalny tytuł:
Python Machine Learning
Zawartość książki:
Niniejsza książka dotyczy uczenia maszynowego, jednego z najgorętszych tematów ostatnich lat. Wraz z wykładniczym wzrostem mocy obliczeniowej i jednoczesnym spadkiem kosztów, nie ma lepszego czasu na uczenie maszynowe. Zadania uczenia maszynowego, które zwykle wymagają ogromnej mocy obliczeniowej, są teraz możliwe do wykonania na komputerach stacjonarnych. Jednak uczenie maszynowe nie jest dla osób o słabym sercu - wymaga dobrych podstaw statystyki, a także wiedzy programistycznej. Ta wymagająca intensywnego kodowania książka zachęca czytelników do wypróbowania różnych przykładów obu tematów, które zostały zaprojektowane tak, aby były kompaktowe, a jednocześnie łatwe do naśladowania i zrozumienia. Czytelnicy zaczną od podstawowych tematów, takich jak wprowadzenie do uczenia maszynowego i nauki o danych. Dla każdego algorytmu uczenia się czytelnicy wykorzystają rzeczywisty scenariusz, aby pokazać, w jaki sposób uczenie maszynowe jest przydatne w rozwiązywaniu danego problemu.
Ta książka pozwoli czytelnikom rozpocząć pracę z Python Machine Learning, omawiając następujące podstawowe tematy:
Wprowadzenie do uczenia maszynowego.
Algorytmy uczenia maszynowego.
⬤ Regresja.
⬤ Klasyfikacje.
⬤ Klastrowanie.
⬤ Wykrywanie anomalii.
Wdrażanie modeli uczenia maszynowego jako usług sieciowych.
Wprowadzenie do Python Data Science.
Biblioteki Pythona dla nauki o danych.
⬤ Numpy.
⬤ Pandas.
⬤ Matplotib.
Pierwsze kroki ze Scikit-learn.
