Olvasói vélemények
Összegzés:Összességében a könyv átfogó képet nyújt a gépi tanulásról, különösen a Python programozási háttérrel rendelkezők számára. Jelentős aggályok merülnek fel azonban a nyomtatás minőségével és néhány pontatlansággal kapcsolatban a mélytanulással foglalkozó részekben.
Előnyök:⬤ Jól strukturált tartalom, amely hatékonyan vezeti be a gépi tanulás fogalmait.
⬤ A matematikai fogalmak, algoritmusok és gyakorlati példák világos magyarázatai.
⬤ Értékes a Python programozásban jártasak számára.
⬤ Jó egyensúly az elmélet és a gyakorlati kódolás között.
⬤ Hasznos referenciaként mind a hallgatók, mind a gyakorlati szakemberek számára.
Hátrányok:⬤ Gyenge nyomtatási minőség a fizikai példányokban, gyakran elmosódottnak vagy fakónak írják le.
⬤ Egyes mélytanulási fejezetek nem egyértelműek és pontatlanságokat tartalmaznak.
⬤ A fekete-fehér ábrák csökkenthetik bizonyos fogalmak megértését.
⬤ Előfordulhat, hogy a mellékelt kód nem fut bizonyos csomagverziók nélkül, ami frusztráló lehet.
(71 olvasói vélemény alapján)
Eredeti címe:
Python Machine Learning - Third Edition: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2
Könyv tartalma:
Alkalmazott gépi tanulás szilárd elméleti alapokkal. Felülvizsgált és kibővített TensorFlow 2, GAN-ok és megerősítő tanulás.
Key Features
⬤ A bestseller, széles körben elismert Python gépi tanulással foglalkozó könyv harmadik kiadása.
⬤ A világos és intuitív magyarázatok mélyen bevezetnek a Python gépi tanulás elméletébe és gyakorlatába.
⬤ Teljesen frissítve és kibővítve a TensorFlow 2, a generatív adverzális hálózati modellek, a megerősítő tanulás és a legjobb gyakorlatok lefedésével.
Könyvismertető
A Python gépi tanulás, harmadik kiadás a Python nyelvvel történő gépi tanulás és mélytanulás átfogó útmutatója. Egyszerre szolgál lépésről-lépésre bemutató tankönyvként és referenciaként, amelyhez a gépi tanulási rendszerek építése során is folyton vissza fog térni.
A világos magyarázatokkal, vizualizációkkal és működő példákkal teli könyv az összes alapvető gépi tanulási technikát mélységében tárgyalja. Míg egyes könyvek csak az utasítások követésére tanítanak, ezzel a gépi tanulásról szóló könyvvel Raschka és Mirjalili megtanítja a gépi tanulás mögött meghúzódó elveket, lehetővé téve, hogy önmaga építsen modelleket és alkalmazásokat.
A TensorFlow 2. 0-hoz frissített új, harmadik kiadás megismerteti az olvasókat a Keras API új funkcióival, valamint a scikit-learn legújabb kiegészítéseivel. Emellett kibővült a mélytanuláson alapuló, élvonalbeli megerősítéses tanulási technikákkal, valamint a GAN-ok bevezetésével. Végül ez a könyv a természetes nyelvfeldolgozás (NLP) egy részterületét, az úgynevezett hangulatelemzést is feltárja, segít megtanulni, hogyan használhat gépi tanulási algoritmusokat a dokumentumok osztályozására.
Ez a könyv a Pythonnal történő gépi tanulás kísérője, akár Python-fejlesztő vagy, aki újonnan ismerkedik a gépi tanulással, akár a legújabb fejlesztésekkel kapcsolatos ismereteidet szeretné elmélyíteni.
Amit megtanulhat
⬤ Elsajátítja azokat a keretrendszereket, modelleket és technikákat, amelyek lehetővé teszik, hogy a gépek "tanuljanak" az adatokból.
⬤ Használja a scikit-learnt a gépi tanuláshoz és a TensorFlow-t a mélytanuláshoz.
⬤ A gépi tanulás alkalmazása képosztályozásra, hangulatelemzésre, intelligens webes alkalmazásokra és még sok másra.
⬤ Neurális hálózatok, GAN-ok és más modellek építése és betanítása.
⬤ Találja meg a modellek értékelésének és hangolásának legjobb gyakorlatait.
⬤ Jósolja meg a folyamatos célkimeneteleket regresszióelemzés segítségével.
⬤ Mélyebbre ásni a szöveges és közösségi médiaadatokban az érzelemelemelemzés segítségével.
Kinek szól ez a könyv
Ha ismered a Pythont, és szeretnéd használni a gépi tanulást és a mély tanulást, vedd kézbe ezt a könyvet. Akár a nulláról akarja kezdeni, akár a gépi tanulással kapcsolatos ismereteit szeretné bővíteni, ez egy alapvető forrás. Azoknak a fejlesztőknek és adattudósoknak íródott, akik gyakorlati gépi tanulási és mélytanulási kódot szeretnének létrehozni, ez a könyv ideális mindenkinek, aki meg akarja tanítani a számítógépeket arra, hogyan tanuljanak az adatokból.
