Olvasói vélemények
Összegzés:A könyv átfogó bevezetést nyújt a Python nyelvvel történő gépi tanulásba, egyensúlyt teremtve az elmélet és a gyakorlati kódolás között. Különösen hasznos azoknak, akik középfokú statisztikai és programozási ismeretekkel rendelkeznek, bár összetettsége miatt nem biztos, hogy abszolút kezdők számára megfelelő. Sok felhasználó értékeli a szerzők világos magyarázatait, vizuális segédleteit és gyakorlati példáit, míg néhányan kritizálják a meredek tanulási görbe és a területek elégtelen részletessége miatt.
Előnyök:⬤ Kiváló magyarázatok és vizualizációk
⬤ erős matematikai bizonyítások
⬤ a gépi tanulási technikák átfogó lefedése
⬤ középhaladó felhasználók számára is alkalmas
⬤ gyakorlati példák Python-kóddal
⬤ értékes jegyzetek a szerzők tapasztalataiból
⬤ hasznos referenciaként szolgál a gépi tanulással kapcsolatos problémamegoldáshoz.
Hátrányok:⬤ Nem kezdőbarát
⬤ meredek tanulási görbe
⬤ egyes felhasználók számára nehezen emészthető
⬤ időnként nyomtatási minőségi problémák
⬤ Kindle formátum használhatósági problémák
⬤ túl nagy hangsúlyt fektet a lineáris algebrára egyszerű magyarázatok nélkül
⬤ egyes tartalmak elavultak vagy bizonyos területeken nem elég mélyek.
(107 olvasói vélemény alapján)
Eredeti címe:
Python Machine Learning, Second Edition: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow
Könyv tartalma:
A modern gépi tanulás és mélytanulási technikák felszabadítása Python nyelven a legújabb nyílt forráskódú Python könyvtárak használatával.
Főbb jellemzők
⬤ A gépi tanulásról szóló bestseller könyv második kiadása.
⬤ Az adattudomány, a gépi tanulás és a mélytanulás kulcsfontosságú keretrendszereinek gyakorlati megközelítése.
⬤ A legerősebb Python könyvtárak használata a gépi tanulás és a mélytanulás megvalósításához.
⬤ Ismerje meg a legjobb gyakorlatokat a gépi tanulási rendszerek és algoritmusok javításához és optimalizálásához.
Könyv leírása
.
A kiadó megjegyzése: Ez a 2017-es kiadás elavult, és nem kompatibilis a TensorFlow 2 vagy a Python könyvtárak legújabb frissítéseivel. Most megjelent egy új, 2020-ra frissített harmadik kiadás, amely a TensorFlow 2-t és a scikit-learn, a megerősítéses tanulás és a GAN-ok legújabb változatait tartalmazza.
A gépi tanulás felfalja a szoftverek világát, és most a mélytanulás bővíti a gépi tanulást. Értse meg és dolgozzon a gépi tanulás, a neurális hálózatok és a mélytanulás élvonalában Sebastian Raschka Python Machine Learning című bestsellerének második kiadásával. Ez a könyv a Python nyílt forráskódú könyvtárait használva kínálja azokat a gyakorlati ismereteket és technikákat, amelyekre szüksége van a gépi tanulás, a mélytanulás és a modern adatelemzés létrehozásához és az ahhoz való hozzájáruláshoz.
A teljesen kibővített és modernizált Python Machine Learning második kiadása mostantól tartalmazza a népszerű TensorFlow 1. x mélytanulási könyvtárat. A scikit-learn kódot is teljes mértékben frissítettük a v0. 18-as verzióra. 1, hogy tartalmazza e sokoldalú gépi tanulási könyvtár javításait és kiegészítéseit.
Sebastian Raschka és Vahid Mirjalili egyedülálló rálátása és szakértelme az alapoktól kezdve vezet be a gépi tanulás és a mélytanulás algoritmusaiba, és reális és érdekes példákon keresztül mutatja be, hogyan alkalmazza azokat gyakorlati ipari kihívásokra. A könyv végére készen áll majd az új adatelemzési lehetőségekre.
Ha olvastad a könyv első kiadását, örömmel fogod tapasztalni, hogy a klasszikus gondolatok és a gépi tanulás modern meglátásai egyensúlyban vannak. Minden fejezetet kritikusan frissítettünk, és új fejezetek foglalkoznak a kulcsfontosságú technológiákkal. A TensorFlow 1. x-et minden eddiginél mélyebben megismerheti és dolgozhat vele, és alapvető ismereteket szerezhet a Keras neurális hálózati könyvtárról, valamint a scikit-learn 0. 18 frissítéseiről. 1.
Mit fogsz tanulni
⬤ Az adattudomány, a gépi tanulás és a mélytanulás kulcsfontosságú keretrendszereinek megértése.
⬤ Használja a legújabb Python nyílt forráskódú könyvtárak erejét a gépi tanulásban.
⬤ Felfedezze a gépi tanulási technikákat kihívást jelentő valós adatok segítségével.
⬤ Mesterelje meg a mély neurális hálózatok megvalósítását a TensorFlow 1. x könyvtár használatával.
⬤ Tanulja meg az osztályozási algoritmusok mechanikáját, hogy a legjobb eszközt valósítsa meg a feladathoz.
⬤ Jósolja meg a folyamatos célkimeneteleket regresszióelemzés segítségével.
⬤ Fedje fel a rejtett mintákat és struktúrákat az adatokban klaszterezéssel.
⬤ Mélyüljön el a szöveges és közösségi médiaadatokban a hangulatelemzés 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 és kihagyhatatlan forrás. Ez a könyv olyan fejlesztők és adattudósok számára íródott, akik gyakorlati gépi tanulási és mélytanulási kódot szeretnének létrehozni, és ideális azoknak a fejlesztőknek és adattudósoknak, akik meg akarják tanítani a számítógépeket arra, hogyan tanuljanak az adatokból.
