A gépi tanulás alapjai a prediktív adatelemzéshez, második kiadás: Algoritmusok, gyakorlati példák és esettanulmányok

Olvasói vélemények

A könyvet nagyra értékelik a gépi tanulással kezdők számára készült oktatási forrásként, amely szilárd alapokat és világos magyarázatokat nyújt. Jól strukturált, részletes definíciókkal, esettanulmányokkal és a téma átfogó megközelítésével. Hiányzik belőle azonban elegendő kódpélda, és az írásmód időnként száraz lehet.

Könnyen olvasható és követhető, jól szervezett, szilárd alapokat nyújt, részletes esettanulmányok, az algoritmusok világos magyarázatai, jó egyensúly az elmélet és a gyakorlatiasság között, teljesen kezdőknek is kiváló, átfogó mélység a gépi tanulás folyamataiban, jó minőségű nyomtatás.

Hiányoznak a gyakorlati tapasztalatokhoz szükséges kódpéldák, az írás száraz és nem lebilincselő lehet, egyes fogalmaknak jót tenne a rövidebb megfogalmazás, erős angol nyelvtudást igényelhet.

(13 olvasói vélemény alapján)

Eredeti címe:

Fundamentals of Machine Learning for Predictive Data Analytics, Second Edition: Algorithms, Worked Examples, and Case Studies

Könyv tartalma:

A prediktív adatelemzésben használt gépi tanulási megközelítések átfogó bevezetésének második kiadása, amely elméletet és gyakorlatot egyaránt tartalmaz.

A gépi tanulást gyakran használják előrejelző modellek készítésére, nagy adathalmazokból történő mintázatok kinyerésével. Ezeket a modelleket olyan prediktív adatelemzési alkalmazásokban használják, mint az árjóslás, a kockázatértékelés, a vásárlói viselkedés előrejelzése és a dokumentumok osztályozása. Ez a bevezető tankönyv a prediktív adatelemzésben használt legfontosabb gépi tanulási megközelítések részletes és célzott kezelését kínálja, kitérve mind az elméleti fogalmakra, mind a gyakorlati alkalmazásokra. A technikai és matematikai anyagot magyarázó, kidolgozott példák egészítik ki, és esettanulmányok szemléltetik e modellek szélesebb üzleti környezetben történő alkalmazását. Ez a második kiadás a gépi tanulás legújabb fejleményeivel foglalkozik, különösen a mélytanulásról szóló új fejezetben, valamint két új fejezetben, amelyek a prediktív analitikán túlmutatva a felügyelet nélküli tanulást és a megerősítő tanulást tárgyalják.

A könyv érthető, és a matematikai modellek és algoritmusok bemutatása előtt nem technikai jellegű magyarázatot ad az egyes megközelítések alapjául szolgáló elképzelésekről. Koncentrált és mélyreható, részletes ismereteket nyújt a hallgatóknak az alapfogalmakról, így szilárd alapot ad a terület önálló felfedezéséhez. Mind a korai fejezetek, mind a későbbi esettanulmányok bemutatják, hogy a prediktív modellek tanulásának folyamata hogyan illeszkedik a tágabb üzleti kontextusba. A két esettanulmány konkrét adatelemzési projekteket ír le a fejlesztés minden egyes fázisában, az üzleti probléma megfogalmazásától az elemzési megoldás megvalósításáig. A könyv bevezető szintű tankönyvként vagy szakemberek számára referenciaként is használható.