Olvasói vélemények
Összegzés:Giuseppe Bonaccorso „Mastering Machine Learning Algorithms” című könyvét a gépi tanulási algoritmusok, a matematikai alapok és a gyakorlati kódolási példák átfogó és részletes leírása miatt dicsérik. Míg a középhaladók és haladók számára kiváló referenciaként szolgál, a kezdők számára mélysége és a szükséges előzetes tudás miatt túlterhelő lehet.
Előnyök:⬤ A különböző gépi tanulási algoritmusok és módszerek átfogó lefedettsége.
⬤ Erős matematikai alapok a jobb megértéshez.
⬤ Jó egyensúly az elmélet és a gyakorlati kódolási példák között.
⬤ Tartalmaz további olvasmányokat a tudás elmélyítéséhez.
⬤ Mind a hallgatók, mind a szakmában dolgozó szakemberek által nagyra értékelt szakkönyv.
Hátrányok:⬤ Nem alkalmas kezdőknek
⬤ A gépi tanulás és a matematika alapos ismeretét igényli.
⬤ Néhány felhasználó túlterhelőnek és kissé szervezetlennek találta.
⬤ Hiányoznak a Pythonnal történő széleskörű gyakorlati megvalósítási példák
⬤ túlságosan elméleti jellegű lehet.
⬤ Néhány kisebb hibát észleltek a tartalomban.
(22 olvasói vélemény alapján)
Eredeti címe:
Mastering Machine Learning Algorithms - Second Edition
Könyv tartalma:
A bestseller második, frissített és átdolgozott kiadása a komplex gépi tanulási problémák megoldásához szükséges legfontosabb algoritmusok felfedezéséhez és elsajátításához Főbb jellemzők Új algoritmusokkal és technikákkal frissítve A Python 3-ra frissített kód. 8 és TensorFlow 2. x Új regresszióelemzés, idősorelemzés, mélytanulási modellek és élvonalbeli alkalmazások Könyvismertető
A Mastering Machine Learning Algorithms, második kiadás segít a gépi tanulási algoritmusok valódi erejének kiaknázásában, hogy okosabb módszereket valósíthasson meg a mai elsöprő adatigények kielégítésére. Ez az újonnan frissített és átdolgozott útmutató segít elsajátítani a félig felügyelt tanulás, a megerősítéses tanulás, a felügyelt tanulás és a felügyelet nélküli tanulás területein széles körben használt algoritmusokat.
A Python ökoszisztéma összes modern könyvtárát - köztük a NumPy-t és a Keras-t - használni fogod, hogy a különböző összetett adatokból jellemzőket vonj ki. A Bayes-modellektől kezdve a Markov-lánc Monte Carlo algoritmuson át a rejtett Markov-modellekig ez a gépi tanulási könyv megtanítja, hogyan vonjon ki jellemzőket az adatállományból, végezzen komplex dimenziócsökkentést, és hogyan képezzen felügyelt és félig felügyelt modelleket a Python-alapú könyvtárak, például a scikit-learn felhasználásával. Olyan összetett technikák gyakorlati alkalmazásait is megismerheti, mint a maximális valószínűségű becslés, a Hebbian-tanulás és az ensemble-tanulás, valamint azt, hogyan használhatja a TensorFlow 2. x-et hatékony mély neurális hálózatok képzéséhez.
A könyv végére készen áll majd arra, hogy végponttól végpontig tartó gépi tanulási problémákat és felhasználási forgatókönyveket valósítson meg és oldjon meg. Amit megtanulhat Megérti a gépi tanulási algoritmus jellemzőit Algoritmusok végrehajtása felügyelt, félig felügyelt, felügyelet nélküli és RL tartományokból Megtanulja, hogyan működik a regresszió az idősorelemzésben és a kockázat előrejelzésben Komplex valószínűségi modellek létrehozása, modellezése és betanítása Nagy dimenziós adatok klaszterezése és a modell pontosságának értékelése Fedezze fel a mesterséges neurális hálózatok működését - betanítás, optimalizálás és validálás Munka autoencoderekkel, Hebb-hálózatokkal és GAN-okkal Kinek szól ez a könyv?
Ez a könyv az adattudományi szakembereknek szól, akik szeretnének elmélyedni az összetett ML-algoritmusokban, hogy megértsék, hogyan lehet különböző gépi tanulási modelleket építeni. A Python programozás ismerete szükséges. Tartalomjegyzék Gépi tanulás modell alapjai Veszteségfüggvények és regularizáció Bevezetés a félig felügyelt tanulásba Haladó félig felügyelt osztályozás Gráfalapú félig felügyelt tanulás Klaszterezés és felügyelet nélküli modellek Haladó klaszterezés és felügyelet nélküli modellek Klaszterezés és felügyelet nélküli modellek a marketing számára Általánosított lineáris modellek és regresszió Bevezetés az idő- Sorozatelemzés Bayesi hálózatok és rejtett Markov-modellek Az EM-algoritmus Komponenselemzés és dimenziócsökkentés Hebbian Learning Az együttes tanulás alapjai Fejlett Boosting-algoritmusok Neurális hálózatok modellezése Neurális hálózatok optimalizálása Mély konvolúciós hálózatok Mélyreható neurális hálózatok Rekurrens neurális hálózatok Auto-Enkódolók Bevezetés a generatív adverzális hálózatokba Mély hiedelemhálózatok Bevezetés a megerősítő tanulásba Fejlett politika-becslési algoritmusok
