Értékelés:
A könyvet a gépi tanulás kezdőknek és haladóknak egyaránt ajánljuk. Hatékonyan mutatja be a gépi tanulás kulcsfontosságú fogalmait olyan eszközökkel, mint az Excel, az R és a Python, így az adattudományi háttérrel nem rendelkező olvasók számára is elérhetővé és érthetővé teszi. A tartalom világos és logikus módon kerül bemutatásra, ami megkönnyíti az összetett algoritmusok megértését.
Előnyök:⬤ A gépi tanulás fogalmainak részletes magyarázata
⬤ kezdők számára is elérhető
⬤ olyan eszközök gyakorlati használata, mint az Excel, az R és a Python
⬤ az algoritmusok egyszerű bemutatása
⬤ kezdők és haladók számára egyaránt alkalmas
⬤ jó az interjúkra való felkészüléshez.
Egyes olvasók úgy találhatják, hogy a könyvből hiányzik a haladó matematikai fogalmak vagy technikák mélysége, mivel a komplexitás helyett a hozzáférhetőségre helyezi a hangsúlyt.
(6 olvasói vélemény alapján)
Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R
1. fejezet: Alapvető statisztikákKifejezés célja: A gépi tanulás statisztikai alapjainak megteremtése Oldalak száma 20Alfejezetek1. Bevezetés a különböző statisztikai függvényekbe1. Bevezetés az eloszlásokba2. Hipotézisvizsgálat3. Esetosztályok.
2. fejezet: Lineáris regresszió Fejezet Cél: Segíteni az olvasót a lineáris regresszió elsajátításában az elmélet és a gyakorlati fogalmak segítségévelSzám oldal: Témakörök 1. Bevezetés a regresszióba 2. A legkisebb négyzetes hiba3. A lineáris regresszió megvalósítása Excelben & R-ben & Pythonban4. A hiba mérése.
3. fejezet: Logisztikus regresszióA fejezet célja: Segíteni az olvasót a logisztikus regresszió elsajátításában az elmélet és a gyakorlati fogalmak segítségével Oldalak száma: Témakörök: 25 rész - Témakörök: 1. Bevezetés a logisztikus regresszióba 2. Keresztentrópia hiba3. A logisztikus regresszió megvalósítása Excelben & R-ben & Pythonban4. A görbe alatti terület kiszámítása.
4. fejezet: Döntési faKifejezés célja: Segíteni az olvasót a döntési fa elsajátításában az elmélet és a gyakorlati fogalmak segítségével Oldalak száma: Témakörök: 40 fő: 1. Bevezetés a döntési fába 2. Információnyereség3. Döntési fa osztályozáshoz és regresszióhoz4. Döntési fa implementálása Excelben & R-ben & Pythonban5. A hiba mérése5. fejezet: Véletlen erdőKönyv célja: Segíteni az olvasót a véletlen erdők elsajátításában az elmélet és a gyakorlati fogalmak segítségével Oldalak száma: Témakörök: 15 Cím: 15 rész - Témakörök: 1. Átmenet a döntési fától a véletlen erdőkhöz2. A véletlen erdő implementálása R-ben és Pythonban a döntési fa funkcionalitások felhasználásával 6. fejezet: GBMKifejezés célja: Segíteni az olvasót a GBM elsajátításában az elmélet és a gyakorlati koncepciók segítségével Oldalak száma: Témakörök: 20 rész - Témakörök: 1. A gradiens boosting folyamat megértése2. A gradiens boost & adaboost közötti különbség3. A GBM implementálása R-ben és Pythonban a döntési fa funkcionalitások használatával 7. fejezet: Neurális hálózatKapacitás célja: Segíteni az olvasót a neurális hálózat elsajátításában az elmélet és a gyakorlati koncepciók segítségével: Cím: 30Témakörök: Neurális neurális hálózatok: 30 oldal - Témakörök: 1. Előrehaladás2. Hátrafelé terjedés3. Az epochák és a tanulási sebesség hatása4. Neurális hálózat implementálása Excelben, R-ben és Pythonban 8. fejezet: Konvolúciós neurális hálózatKapacitás célja: Segíteni az olvasót a CNN elsajátításában az elmélet és a gyakorlati koncepciók segítségévelAz oldalak száma: Témakörök: 1. Az NN-ről a CNN-re való áttérés2. A legfontosabb paraméterek a CNN-en belül3. CNN implementálása Excelben és Pythonban.
9. fejezet: RNNKifejezés célja: Segíteni az olvasót az RNN elsajátításában az elmélet és a gyakorlati koncepciók segítségével.Oldalak száma: Témakörök: 25 rész: 1. Az RNN szükségessége2. Az RNN legfontosabb változatai3. &nb.