Python gépi tanulás példákkal - Harmadik kiadás: Intelligens rendszerek építése Python, TensorFlow 2, PyTorch és scikit-learn használatával

Olvasói vélemények

A könyv gyakorlatias forrás a gépi tanulás iránt érdeklődők számára, különösen a Python segítségével. Megközelíthető bevezetést nyújt a különböző gépi tanulási koncepciókba, a gyakorlati példákra és kódmegvalósításokra összpontosítva. Ugyanakkor kritika érte a matematikai elméletek felületes lefedettsége és néhány kódolási hiba miatt. Bár jó kiegészítője az elméletibb szövegeknek, a gépi tanulás vagy a Python teljesen kezdők számára nem biztos, hogy elegendő.

⬤ Gyakorlati megközelítés lépésről lépésre példákkal
⬤ a népszerű Python könyvtárakkal foglalkozik
⬤ jól magyarázott kódrészletek
⬤ jó azoknak, akiknek van némi előismerete az ML-ről
⬤ valós alkalmazásokat tartalmaz
⬤ élvezetes írásmód
⬤ hasznos legjobb gyakorlatokat ad.

⬤ Kevés elmélet és matematikai mélység
⬤ néhány kódpélda hibás
⬤ nem biztos, hogy alkalmas az ML vagy Python teljesen kezdők számára
⬤ tipográfiai problémákról számoltak be
⬤ néhány magyarázatból hiányzik a kontextus
⬤ elavult adatok és követelmények.

(20 olvasói vélemény alapján)

Eredeti címe:

Python Machine Learning by Example - Third Edition: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn

Könyv tartalma:

Átfogó útmutató, amely felzárkóztatja Önt a Python nyelvvel történő gyakorlati gépi tanulás legújabb fejleményeihez, és frissíti a gépi tanulás (ML) algoritmusainak és technikáinak megértését.

Főbb jellemzők

⬤ Merüljön el a gépi tanulási algoritmusokba, hogy megoldja az adattudósok előtt álló összetett kihívásokat napjainkban.

⬤ Felfedezze a mélytanulás és a megerősítő tanulás fejlesztéseit tükröző élvonalbeli tartalmakat.

⬤ Használja a frissített Python könyvtárakat, például a TensorFlow-t, a PyTorch-ot és a scikit-learn-t, hogy végigkövesse a gépi tanulási projekteket.

Könyv leírása

A Python Machine Learning By Example, harmadik kiadás átfogó kapuként szolgál a gépi tanulás (ML) világába.

Hat új fejezettel, többek között a filmajánló motorok fejlesztése Na ve Bayes segítségével, arcfelismerés támogató vektor géppel, tőzsdei árfolyamok előrejelzése mesterséges neurális hálózatokkal, ruhaképek kategorizálása konvolúciós neurális hálózatokkal, előrejelzés szekvenciákkal rekurzív neurális hálózatok segítségével, valamint a megerősítő tanulás kihasználása a döntéshozatalban, a könyv jelentősen frissült a legújabb vállalati követelményekhez.

Ugyanakkor ez a könyv gyakorlatias betekintést nyújt az ML legfontosabb alapjaiba a Python programozással. Hayden a szakértelmét felhasználva mutatja be az algoritmusok Pythonban történő megvalósításait, mind a nulláról, mind könyvtárak segítségével.

Minden fejezet egy-egy iparágban elfogadott alkalmazáson keresztül halad végig. Életszerű példák segítségével megértheti az ML-technikák mechanikáját olyan területeken, mint a feltáró adatelemzés, a feature engineering, az osztályozás, a regresszió, a klaszterezés és az NLP.

Ennek az ML Python könyvnek a végére átfogó képet kap az ML ökoszisztémáról, és jól ismeri majd az ML-technikák problémamegoldásra történő alkalmazásának legjobb gyakorlatait.

Mit fogsz tanulni

⬤ Az ML és az adattudomány fontos fogalmainak megértése.

⬤ Használja a Pythont az adatbányászat és az analitika világának felfedezéséhez.

⬤ Modellképzés skálázása változatos adatkomplexitással az Apache Spark segítségével.

⬤ Mélyülj el a szövegelemzésben és az NLP-ben olyan Python könyvtárak használatával, mint az NLTK és a Gensim.

⬤ Válasszon ki és építsen ML-modellt, valamint értékelje és optimalizálja a teljesítményét.

⬤  ML-algoritmusok implementálása a semmiből Python, TensorFlow 2, PyTorch és scikit-learn nyelven.

Kinek szól ez a könyv

.

Ha Ön a gépi tanulás szerelmese, adatelemző vagy adatmérnök, akinek nagy szenvedélye a gépi tanulás, és szeretne gépi tanulási feladatokon dolgozni, akkor ez a könyv Önnek szól.

A Python-kódolás előzetes ismerete feltételezhető, és a statisztikai fogalmak alapszintű ismerete előnyös, bár ez nem szükséges.