Gépi tanulás zsebkönyv: Munka strukturált adatokkal Pythonban

Olvasói vélemények

A könyv gyakorlati referenciaként szolgál az adattudomány és a gépi tanulás terén némi alapismerettel rendelkező személyek számára, tömör kódpéldákat és a legfontosabb projektlépések alapos feldolgozását nyújtva. Azonban gyártási problémákkal küzd, és nem elég mély a tudományos tartalom.

⬤ Kiváló társ azok számára, akik rendelkeznek némi háttértudással az adattudományban és a Pythonban.
⬤ A sűrű tudományos tartalom helyett a gyakorlati vonatkozásokra és a világos, tömör példákra összpontosít.
⬤ A jól szegmentált témák könnyű hivatkozást tesznek lehetővé.
⬤ Számos ML-technikával foglalkozik, és bemutatja a legújabb könyvtárakat, például a Yellowbricket.
⬤ Könnyű és hordozható a gyors hivatkozáshoz.

⬤ Nem az alapoktól tanít; nem alkalmas kezdőknek.
⬤ Hiányzik a mélytanulás és néhány modern könyvtár lefedettsége.
⬤ Gyártási minőségi problémák a nem olvasható gráfokkal és a kötési problémákkal.
⬤ Egyes kritikusok szerint túlságosan a kódra koncentrál, és nem foglalkozik eléggé a matematikai elmélettel.

(13 olvasói vélemény alapján)

Eredeti címe:

Machine Learning Pocket Reference: Working with Structured Data in Python

Könyv tartalma:

A részletes jegyzetekkel, táblázatokkal és példákkal ellátott, praktikus referencia segít eligazodni a strukturált gépi tanulás alapjaiban. A szerző, Matt Harrison értékes útmutatót nyújt, amelyet további támogatásként használhat a képzés során, és kényelmes forrásként, amikor beleveti magát a következő gépi tanulási projektjébe.

A programozók, adattudósok és mesterséges intelligencia mérnökök számára ideális könyv áttekintést nyújt a gépi tanulás folyamatáról, és végigvezet a strukturált adatokkal történő osztályozáson. Többek között megismerheti a klaszterezés, a folytonos érték előrejelzése (regresszió) és a dimenzionalitás csökkentése módszereit is.

Ez a zsebkönyv olyan fejezeteket tartalmaz, amelyek a következőket tárgyalják:

⬤ Klasszifikáció, a Titanic adatkészlet felhasználásával.

⬤ Adatok tisztítása és a hiányzó adatok kezelése.

⬤ Exploratív adatelemzés.

⬤ Közös előfeldolgozási lépések mintaadatok felhasználásával.

⬤ A modell számára hasznos jellemzők kiválasztása.

⬤ Modell kiválasztása.

⬤ Metrikák és osztályozás értékelése.

⬤ Regressziós példák a k-közelebbi szomszéd, döntési fák, boosting és más módszerek használatával.

⬤ Metrikák a regresszió értékeléséhez.

⬤ Klaszterezés.

⬤ Dimenziócsökkentés.

⬤ Scikit-learn pipelines.