Gépi tanulás: A felügyelt és nem felügyelt tanulási algoritmusok elsajátítása valós példákkal

Olvasói vélemények

A könyv célja, hogy egyszerű és tömör bevezetést nyújtson a gépi tanulásba, és így a kezdők számára is elérhetővé tegye azt. Gyakorlati gyakorlatokat tartalmaz, és különböző témákat tárgyal, de egyes felhasználók szerint túlságosan alapszintű és kevés benne a mélység.

A könyv a gépi tanulás fogalmait egyszerűen és tömören, kezdők számára is alkalmas módon magyarázza el. Sok megoldott feladatot és gyakorlati alkalmazást tartalmaz, ami miatt jó vétel a kezdő tanulók számára.

Sok felhasználó úgy érzi, hogy a tartalom túlságosan alapszintű és kevés benne a mélység; nem magyarázza el, hogyan működnek a gépi tanulási modellek belsőleg. Egyes olvasók inkább munkafüzetnek tartják, mivel a kérdésekre és válaszokra összpontosít, így részletesebb magyarázatokat kívánnak, különösen az olyan fogalmak esetében, mint a lineáris regresszió.

(4 olvasói vélemény alapján)

Eredeti címe:

Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples

Könyv tartalma:

DESCRIPTION

A könyv felhasználóbarát nyelven kínálja az olvasóknak a gépi tanulási technikák alapvető fogalmait. A könyv célja, hogy alapos ismereteket adjon a különböző gépi tanulási (ML) algoritmusokról és a különböző ML-megközelítések gyakorlati megvalósításáról.

A könyv különböző felügyelt gépi tanulási algoritmusokat tárgyal, mint például a lineáris regressziós modell, Nave Bayes osztályozó döntési fa, K-közelebbi szomszéd, logisztikus regresszió, támogató vektor gép, véletlen erdő algoritmusok, nem felügyelt gépi tanulási algoritmusok, mint például k-means klaszterezés, hierarchikus klaszterezés, Valószínűségi klaszterezés, asszociációs szabály bányászat, Apriori algoritmus, f-p növekedési algoritmus, Gauss keverék modell és megerősítő tanuló algoritmusok, mint például Markov döntési folyamat (MDP), Bellman egyenletek, politika kiértékelés Monte Carlo segítségével, politika iteráció és érték iteráció, Q-tanulás, állapot-akció-bérlet-állapot-akció (SARSA). Emellett különböző jellemzőkinyerési és jellemzőválasztási technikákat, az Ajánlórendszert és a mélytanulás rövid áttekintését is tartalmazza.

A könyv végére az olvasó megérti a gépi tanulás fogalmait, és könnyedén alkalmazhat különböző ML-algoritmusokat valós problémákra.

MIT FOG TANULNI

● Jellemzők kinyerése és jellemzőválasztási technikák végrehajtása.

● Megtanulja kiválasztani a legjobb gépi tanulási algoritmust egy adott problémához.

● Erősítést szerezhet a népszerű Python könyvtárak, például a Scikit-learn, a pandas és a matplotlib használatában.

● Gyakorolja a különböző típusú gépi tanulási technikák megvalósítását.

● Ismerje meg a mesterséges neurális hálózatot a Back Propagation algoritmussal együtt.

● Használja a különböző ajánlott rendszereket nagy teljesítményű algoritmusokkal.

KINEK SZÓL EZ A KÖNYV

Ez a könyv az adattudomány és az analitika hallgatói, akadémikusok és kutatók számára készült, akik szeretnék felfedezni a gépi tanulás fogalmait, és gyakorolni a valós esetek megértését. Az alapvető statisztikai és programozási fogalmak ismerete jó lenne, bár nem kötelező.