Uczenie maszynowe w świecie rzeczywistym

Opinie czytelników

Książka oferuje praktyczny przewodnik po uczeniu maszynowym, wypełniając lukę między koncepcjami teoretycznymi a rzeczywistymi zastosowaniami. Jest odpowiednia dla osób z pewną wiedzą programistyczną, zwłaszcza w Pythonie, i zawiera różne przykłady i fragmenty kodu do praktycznej nauki. Istnieją jednak krytyczne uwagi dotyczące głębokości szczegółów matematycznych i kwestii związanych z prezentacją kodu.

⬤ Dobrze zorganizowana i przejrzyście przedstawiona
⬤ świetna dla praktyków
⬤ dobre przykłady i praktyczne kroki
⬤ nie wymaga rozległego zaplecza matematycznego
⬤ odpowiednia dla średnio zaawansowanych programistów
⬤ praktyczne podejście z przykładami kodu
⬤ porusza rzeczywiste kwestie w ML.

⬤ Brak głębi w szczegółach matematycznych
⬤ niektóre fragmenty kodu wydają się słabo przemyślane i mogą zawierać błędy
⬤ prezentacja na czarno-białych rysunkach
⬤ może nie być odpowiednia dla zaawansowanych użytkowników lub osób poszukujących głębi teoretycznej
⬤ niektórzy czytelnicy uznają ją za powierzchowną.

(na podstawie 17 opinii czytelników)

Oryginalny tytuł:

Real-World Machine Learning

Zawartość książki:

Streszczenie

Real-World Machine Learning to praktyczny przewodnik zaprojektowany, aby nauczyć pracujących programistów sztuki realizacji projektów ML. Bez przedawkowania teorii akademickiej i złożonej matematyki, wprowadza w codzienną praktykę uczenia maszynowego, przygotowując do skutecznego budowania i wdrażania potężnych systemów ML.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

Systemy uczenia maszynowego pomagają znaleźć cenne spostrzeżenia i wzorce w danych, których nigdy nie rozpoznałbyś tradycyjnymi metodami. W realnym świecie techniki uczenia maszynowego pozwalają identyfikować trendy, prognozować zachowania i tworzyć rekomendacje oparte na faktach. Jest to gorąca i rozwijająca się dziedzina, a zaawansowani programiści ML są poszukiwani.

O książce

Real-World Machine Learning nauczy cię pojęć i technik, których potrzebujesz, aby odnieść sukces jako praktyk uczenia maszynowego, bez przedawkowania abstrakcyjnej teorii i złożonej matematyki. Pracując nad natychmiastowo istotnymi przykładami w Pythonie, zbudujesz umiejętności w zakresie pozyskiwania i modelowania danych, klasyfikacji i regresji. Poznasz również najważniejsze zadania, takie jak walidacja modeli, optymalizacja, skalowalność i strumieniowanie w czasie rzeczywistym. Kiedy skończysz, będziesz gotowy, aby z powodzeniem budować, wdrażać i utrzymywać własne potężne systemy ML.

What's Inside

⬤ Przewidywanie przyszłych zachowań.

⬤ Ocena wydajności i optymalizacja.

⬤ Analiza nastrojów i tworzenie rekomendacji.

O Czytelniku

Nie zakłada się wcześniejszego doświadczenia w uczeniu maszynowym. Czytelnicy powinni znać język Python.

O Autorach

Henrik Brink, Joseph Richards i Mark Fetherolf są doświadczonymi analitykami danych zaangażowanymi w codzienną praktykę uczenia maszynowego.

Spis treści

CZĘŚĆ 1: PRZEPŁYW PRACY UCZENIA MASZYNOWEGO.

⬤ Czym jest uczenie maszynowe?

⬤ Dane ze świata rzeczywistego.

⬤ Modelowanie i przewidywanie.

⬤ Ocena i optymalizacja modelu.

⬤ Podstawowa inżynieria cech.

CZĘŚĆ 2: PRAKTYCZNE ZASTOSOWANIE.

⬤ Przykład: Dane z taksówek w Nowym Jorku.

⬤ Zaawansowana inżynieria funkcji.

⬤ Zaawansowany przykład NLP: sentyment recenzji filmowych.

⬤ Skalowanie przepływów pracy uczenia maszynowego.

⬤ Przykład: cyfrowa reklama displayowa.