Ocena:
Książka „Machine Learning with Python for Everyone” autorstwa dr Marka Fennera jest wysoko ceniona za jasne, praktyczne podejście do nauczania uczenia maszynowego, szczególnie dla początkujących. Upraszcza złożone koncepcje i unika ciężkich treści matematycznych, zapewniając jednocześnie angażujące przykłady w Pythonie. Niektórzy czytelnicy uważają jednak, że brakuje w niej kompleksowego samouczka na temat konfigurowania środowiska uczenia się, szczególnie z Jupyterem, i mogą potrzebować więcej praktycznych projektów do bezpośredniego uruchomienia.
Zalety:⬤ Przejrzysta i praktyczna prezentacja koncepcji uczenia maszynowego.
⬤ Przystępny dla zupełnie początkujących z niewielkim doświadczeniem matematycznym.
⬤ Nieformalny i przyjemny styl pisania.
⬤ Wysokiej jakości przykłady, które można uruchomić na komputerach domowych.
⬤ Pozytywne opinie na temat reakcji autora na pytania.
⬤ Brak szczegółowego samouczka dotyczącego konfiguracji środowiska, w szczególności Jupyter.
⬤ Wymaga od czytelników ręcznego wprowadzania kodu Pythona, co dla niektórych może być uciążliwe.
⬤ Ograniczona liczba dostępnych projektów praktycznych.
(na podstawie 5 opinii czytelników)
Machine Learning with Python for Everyone
Kompletny przewodnik dla początkujących po zrozumieniu i budowaniu systemów uczenia maszynowego w Pythonie
Machine Learning with Python for Everyone pomoże ci opanować procesy, wzorce i strategie potrzebne do budowania skutecznych systemów uczących się, nawet jeśli jesteś absolutnym początkującym. Jeśli potrafisz pisać kod w Pythonie, ta książka jest dla ciebie, bez względu na to, jak słabo znasz matematykę na poziomie college'u. Główny instruktor Mark E. Fenner opiera się na prostych historiach, obrazach i przykładach Pythona, aby przekazać idee uczenia maszynowego.
Mark rozpoczyna od omówienia uczenia maszynowego i jego możliwości, wprowadzając kluczowe tematy matematyczne i obliczeniowe w przystępny sposób oraz przeprowadzając cię przez pierwsze kroki w budowaniu, szkoleniu i ocenie systemów uczących się. Krok po kroku wypełnisz komponenty praktycznego systemu uczenia się, poszerzysz swój zestaw narzędzi i poznasz niektóre z najbardziej wyrafinowanych i ekscytujących technik w tej dziedzinie. Niezależnie od tego, czy jesteś studentem, analitykiem, naukowcem czy hobbystą, spostrzeżenia zawarte w tym przewodniku będą miały zastosowanie do każdego systemu uczącego się, który kiedykolwiek zbudujesz lub wykorzystasz.
⬤ Zrozumienie algorytmów, modeli i podstawowych koncepcji uczenia maszynowego.
⬤ Klasyfikuj przykłady za pomocą klasyfikatorów i kwantyfikuj przykłady za pomocą regresorów.
⬤ Realistycznie oceniać wydajność systemów uczenia maszynowego.
⬤ Wykorzystanie inżynierii cech do wygładzania szorstkich danych do użytecznych form.
⬤ Łączenie wielu komponentów w jeden system i dostrajanie jego wydajności.
⬤ Zastosowanie technik uczenia maszynowego do obrazów i tekstu.
⬤ Połącz podstawowe koncepcje z sieciami neuronowymi i modelami graficznymi.
⬤ Wykorzystanie biblioteki Python scikit-learn i innych potężnych narzędzi.
Zarejestruj swoją książkę, aby uzyskać wygodny dostęp do pobierania, aktualizacji i/lub poprawek, gdy tylko staną się dostępne. Szczegóły znajdują się wewnątrz książki.