Olvasói vélemények
Összegzés:A könyvet általában jó fogadtatásban részesítik, különösen a gépi tanulásban kezdők körében. Dicsérik érthetőségét és könnyű megértését, a gyakorlati példák pedig segítenek a fogalmak megerősítésében. Néhány felhasználó azonban azt javasolja, hogy az információk könnyen megtalálhatók az interneten, és megjegyzi, hogy a nem anyanyelvi beszélők számára lehetséges nyelvi akadályok merülhetnek fel.
Előnyök:Könnyen érthető, gyakorlati példák, kezdőknek is nagyszerű, az alapvető fogalmak világos magyarázata, lépésről lépésre történő kódolás.
Hátrányok:Az információk feleslegesek lehetnek, vagy könnyen megtalálhatók az interneten, potenciális nyelvi akadályok nem anyanyelvi beszélők számára, néhány példa hibákat tartalmazhat.
(12 olvasói vélemény alapján)
Eredeti címe:
Machine Learning: Make Your Own Recommender System
Könyv tartalma:
Tanulja meg, hogyan készítsen saját ajánlórendszert egy délután alatt. Az ajánlórendszerek a gépi tanulás egyik leglátványosabb alkalmazásai, és az a hátborzongató képességük, hogy kimondatlan cselekedeteinket a nekünk tetsző elemekké alakítják át, egyszerre függőséget és aggodalmat keltő.
Az ajánlórendszerek azonban itt vannak, hogy maradjanak, és bárki számára, aki az adattudományok terén kezdi meg az útját, ez egy jövedelmező terület a jövőbeli foglalkoztatás szempontjából. Ez a könyv elsajátíthatja az alapokat, valamint a saját ajánlórendszer kódolásának lépéseit Python segítségével. A gyakorlatok között szerepel a könyvajánlások előrejelzése, az online marketing célú releváns ház tulajdonságai, valamint az, hogy egy felhasználó rákattint-e egy hirdetési kampányra. Kinek szól a könyv? A könyv tartalma olyan kezdőknek szól, akik rendelkeznek némi adattudományi háttértudással, beleértve a klasszikus statisztikát és a számítástechnikai programozást.
Ha ez az első találkozása az adattudományokkal, érdemes néhány órát szánnia az első könyvem Machine Learning for Absolute Beginners for Absolute Beginners elolvasására, mielőtt itt belekezd. A könyvben tárgyalt témák: - Hogyan állítsunk be egy ingyenes és egyszerű homokozó környezetet a Jupyter Notebook segítségével - Hogyan készítsük elő az adatokat a feldolgozáshoz - Hogyan kódoljunk egy kollaboratív szűrőmodellt - Hogyan kódoljunk egy tartalomalapú szűrőmodellt - Hogyan értékeljük az ajánlórendszereket - Mit kell tudni az adatvédelemről és az etikáról - Hogyan nézhet ki az ajánlórendszerek jövője.
