Python gépi tanulás szakácskönyve: 100 recept, amely megtanítja, hogyan hajtson végre különböző gépi tanulási feladatokat a való világban

Olvasói vélemények

A könyv a gépi tanulás gyakorlati útmutatója, amely kezdők és már gyakorlattal rendelkezők számára egyaránt alkalmas. Bár világos magyarázatokat kínál, és nagy hangsúlyt fektet az alkalmazható algoritmusokra, egyes olvasók úgy érzik, hogy bizonyos tartalmakat túl röviden tárgyal.

Kitűnő áttekinthetőség és gyakorlati összpontosítás a gépi tanulási algoritmusok megvalósításához.

Releváns és naprakész a kortárs alkalmazásokkal.

(5 olvasói vélemény alapján)

Eredeti címe:

Python Machine Learning Cookbook: 100 recipes that teach you how to perform various machine learning tasks in the real world

Könyv tartalma:

100 recept, amely megtanítja, hogyan végezzen el különböző gépi tanulási feladatokat a való világban

Főbb jellemzők

⬤ Ezzel az izgalmas receptalapú útmutatóval megértheti, hogy egy adott kontextusban milyen algoritmusokat használjon.

⬤ Tanuljon a perceptronokról, és nézze meg, hogyan használják őket neurális hálózatok építésére.

⬤ Megakadsz, miközben értelmet adsz a képeknek, szövegeknek, beszédnek és ingatlanoknak? Ez az útmutató a segítségére siet, és megmutatja, hogyan végezhet gépi tanulást ezek mindegyikénél különböző technikák segítségével.

Könyvismertető

A gépi tanulás egyre inkább áthatja a modern adatvezérelt világot. Számos területen széles körben használják, például a keresőmotorok, a robotika, az önvezető autók és még sok más területen.

Ebből a könyvből megtanulhatja, hogyan végezhet különböző gépi tanulási feladatokat különböző környezetekben. Először is számos olyan valós forgatókönyvet vizsgálunk meg, ahol a gépi tanulás alkalmazható, és különböző építőelemeket tekintünk át. A könyv során a legkülönfélébb gépi tanulási algoritmusokat fogod használni valós problémák megoldására, és Pythont fogsz használni ezen algoritmusok megvalósítására.

Megtudhatja, hogyan kezelheti a különböző típusú adatokat, és felfedezheti a gépi tanulási paradigmák, például a felügyelt és a felügyelet nélküli tanulás közötti különbségeket. Emellett számos regressziós technikát, osztályozási algoritmust, prediktív modellezést, adatvizualizációs technikákat, ajánlómotorokat és még sok mást is tárgyalunk valós példák segítségével.

Mit fogsz tanulni

⬤ Tárja fel az osztályozási algoritmusokat, és alkalmazza őket a jövedelemtábla-becslés problémájára.

⬤ Újítsa meg a prediktív modellezést, és alkalmazza azt valós problémákra.

⬤ Megtanulja, hogyan végezhet piaci szegmentálást felügyelet nélküli tanulással.

⬤ Tapasztalja meg az adatvizualizációs technikákat, hogy változatos módon lépjen interakcióba az adatokkal.

⬤ Tudja meg, hogyan lehet ajánlómotort építeni.

⬤ Megtanulja, hogyan lépjen kapcsolatba szöveges adatokkal, és építsen modelleket azok elemzéséhez.

⬤ Munkálkodjon beszédadatokkal és ismerje fel a beszélt szavakat rejtett Markov-modellek segítségével.

⬤ Tőzsdei adatok elemzése feltételes véletlenszerű mezők segítségével.

⬤ Munkálkodjon képi adatokkal, és építsen rendszereket képfelismerésre és biometrikus arcfelismerésre.

⬤ Fogja meg, hogyan használjon mély neurális hálózatokat optikai karakterfelismerő rendszer építéséhez.