Adattisztítás és -feltárás gépi tanulással: Ismerkedjen meg a gépi tanulási technikákkal a szikrázóan tiszta adatok gyors elérése érdekében

Olvasói vélemények

Ez a könyv egy átfogó és kezdőbarát útmutató, amely az adattisztításra és a gépi tanuláshoz való felkészülésre összpontosít. Olyan gyakorlati feladatokat, értékes meglátásokat és gyakorlati technikákat kínál, amelyek más forrásokból gyakran hiányoznak. Bár a világos magyarázatok és a hasznos példák miatt magasra értékelték, vannak arra utaló jelek, hogy néhány haladó témában hiányozhat a mélység.

⬤ Átfogó és világos magyarázat az adattisztítási és adatelőkészítési technikákról.
⬤ A GitHubon elérhető gyakorlati feladatok és kódpéldák.
⬤ Nagyszerű a kezdőknek, és szilárd referenciaként szolgál a tapasztalt felhasználók számára.
⬤ Magával ragadó és közérthető írásmód; beszélgetősnek tűnik.
⬤ A legértékesebb technikákra összpontosít, amelyek eredményeket hoznak a gépi tanulásban.

⬤ Hiányzik a mélyebb témák, például a mélytanulás és a hibaelemzés mélysége.
⬤ Néhány olvasó szélesebb eszköztárat szeretne az összetett modellezési alkalmazásokhoz.
⬤ Inkább a kezdő szintű tartalomra összpontosít, ami nem biztos, hogy kielégíti a tapasztaltabb, fejlett betekintést kereső adattudósokat.

(7 olvasói vélemény alapján)

Eredeti címe:

Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly

Könyv tartalma:

Fedezze fel a felturbózott gépi tanulási technikákat, hogy gondoskodjon az adatmosási terhekről

Főbb jellemzők:

⬤ Tanulja meg, hogyan készítse elő az adatokat a gépi tanulási folyamatokhoz.

⬤ Tudja meg, hogy mely algoritmusok az előrejelzési célokon és az adatok tulajdonságain alapulnak.

⬤ Tudja meg, hogyan értelmezze és értékelje a gépi tanulásból származó eredményeket.

Könyv leírása:

Sokan, akik tudják, hogyan kell gépi tanulási algoritmusokat futtatni, nem ismerik jól a statisztikai feltételezéseket, és azt, hogyan kell az adatok tulajdonságait az algoritmushoz illeszteni a legjobb eredmények érdekében.

Ahogy ezzel a könyvvel kezdi, a modelleket gondosan megválasztották, hogy segítsenek megérteni a mögöttes adatokat, beleértve a jellemzők fontosságát és korrelációját, valamint a jellemzők és a célok eloszlását. A könyv első két része megismerteti Önt az ML-algoritmusokhoz szükséges adatok előkészítésének technikáival, anélkül, hogy szemérmesen használna néhány ML-technikát az adattisztításhoz, beleértve az anomália-felismerést és a jellemzőkiválasztást. A könyv ezután segít abban, hogy ezeket az ismereteket az ML-feladatok széles skáláján alkalmazza. Megismerheti a népszerű felügyelt és nem felügyelt algoritmusokat, az adatok előkészítését és értékelésüket. Ezután modelleket épít, és megérti az adatokban lévő összefüggéseket, valamint tisztítási és feltárási feladatokat végez az adatokkal. Gyorsan haladni fog a változók eloszlásának tanulmányozásában, az anomáliák azonosításában és a kétváltozós kapcsolatok vizsgálatában, mivel ebben a könyvben nagyobb hangsúlyt fektet az előrejelzések pontosságára.

A könyv végére képes lesz komplex adatproblémák kezelésére olyan felügyelet nélküli ML-algoritmusok segítségével, mint a főkomponens-elemzés és a k-means klaszterezés.

Amit tanulni fog:

⬤ Tudja meg az alapvető adattisztítási és feltárási technikákat, amelyeket a legnépszerűbb gépi tanulási algoritmusok futtatása előtt kell alkalmazni.

⬤ Tudja meg, hogyan végezze el az előfeldolgozást és a jellemző kiválasztást, és hogyan állítsa be az adatokat a teszteléshez és a validáláshoz.

⬤ Modellezzen folyamatos célokat felügyelt tanulási algoritmusokkal.

⬤ Modellezzen bináris és többosztályos célokat felügyelt tanulási algoritmusokkal.

⬤ Klaszterezés és dimenziócsökkentés végrehajtása felügyelet nélküli tanulási algoritmusokkal.

⬤ Tudja, hogyan használjon regressziós fákat folytonos célok modellezésére.

Kinek szól ez a könyv:

Ez a könyv professzionális adattudósoknak szól, különösen azoknak, akik pályafutásuk első néhány évében vannak, vagy tapasztaltabb elemzőknek, akik viszonylag újak a gépi tanulásban. Az olvasóknak rendelkezniük kell előzetes ismeretekkel a statisztikában jellemzően egy alapfokú bevezető kurzuson tanított fogalmakról, valamint kezdő szintű tapasztalattal az adatok programozott manipulálásában.