Olvasói vélemények
Összegzés:A könyvet dicsérik, mert kiváló és tömör bevezetés a gépi tanulásba, de kritizálták, hogy számos hibát tartalmaz, különösen a kezdők számára, ami frusztrációhoz vezet. A kivitelezést és az anyagminőséget pozitívan jegyezték meg egy kritikában.
Előnyök:⬤ Tömör bevezetés a gépi tanulásba
⬤ jól megtervezett, minőségi anyagokkal
⬤ támogató forrásokat nyújt a kezdőknek
⬤ kedvező vásárlási élményt nyújt egyes olvasóknak.
Hátrányok:⬤ Sok hibát tartalmaz, ami frusztrálhatja a kezdőket
⬤ gyenge kiadói támogatás és az e-könyvek letöltésének nehézségei
⬤ negatív tapasztalat, ami néhány olvasó számára visszatéréshez vezet.
(3 olvasói vélemény alapján)
Eredeti címe:
Python Scikit-Learn for Beginners: Scikit-Learn Specialization for Data Scientist
Könyv tartalma:
Python adattudósoknak - Scikit-Learn specializáció.
A Scikit-Learn, más néven Sklearn egy ingyenes, nyílt forráskódú gépi tanulási (ML) könyvtár, amelyet a Python nyelvhez használnak. Ezt a könyvtárat 2010 februárjában hozták először nyilvánosságra. És kevesebb mint három év alatt az egyik legnépszerűbb gépi tanulási könyvtárrá vált a Githubon. A Scikit-learn a legjobb kiindulópont a népszerű algoritmusok könnyen használható, csúcsminőségű implementációihoz való hozzáféréshez. Ez a könyvtár felgyorsítja az ML-modellek fejlesztését. A Scikit-learn könyvtár fő jellemzői a regressziós, osztályozó és klaszterező algoritmusok (random forests, K-means, gradient boosting, DBSCAN, ÉS support vector machines). A Scikit-learn könyvtár jól integrálható más Python könyvtárakkal is, mint például a NumPy, Pandas, IPython, SciPy, Sympy és Matplotlib, különböző feladatok teljesítéséhez. Python adattudósoknak: Scikit-Learn specializáció gyakorlatias, egyszerű megközelítést mutat be a Scikit-learn gyors elsajátításához.
Miben más ez a könyv?
A legtöbb Python-könyv feltételezi, hogy tudod, hogyan kell kódolni a Pandas, a NumPy és a Matplotlib használatával. Ez a könyv azonban nem így tesz. A szerző rengeteg időt fordít arra, hogy megtanítsa, hogyan lehet valójában a legegyszerűbb kódokat Pythonban megírni a gépi tanulási modellek eléréséhez. A Scikit-learn könyvtár alapos bemutatása már a harmadik fejezetben elkezdődik. Azzal, hogy rögtön a Scikit-learnre ugrik, könnyen követhetővé válik. A másik előnye, hogy a Jupyter Notebookot használja a kódok megírására és magyarázatára mindvégig ebben a könyvben. A könyvben használt adatkészletekhez könnyen hozzáférhet, ha futás közben letölti őket. A SharePoint és a GitHub adattárakban található Datasets mappán keresztül is elérheti őket. Három gyakorlati miniprojektben is dolgozhat:
⬤ Spam e-mail felismerés a Scikit-Learn segítségével.
⬤ IMDB filmek érzelmi elemzése.
⬤ Képosztályozás Scikit-Learn segítségével.
A könyvben található szkriptek, grafikonok és képek áttekinthetőek, és könnyen érthető vizualitást nyújtanak a szöveges leíráshoz. Ha új az adattudományban, akkor ez a könyv remek lehetőség az önálló tanuláshoz. Összességében számíthat erre a learning by doing könyvre, amely segíthet abban, hogy gyorsabban elérje adattudományi karriercéljait.
A tárgyalt témák a következők:
⬤ Bevezetés a Scikit-Learn és más gépi tanulási könyvtárakba.
⬤ Környezet beállítása és Python gyorstalpaló tanfolyam.
⬤ Adatok előfeldolgozása a Scikit-Learn segítségével.
⬤ Tulajdonságok kiválasztása a Python Scikit-Learn könyvtárral.
⬤ Regressziós problémák megoldása a gépi tanulásban a Sklearn könyvtár használatával.
⬤ Szintigráfiai problémák megoldása a gépi tanulásban a Sklearn könyvtár használatával.
⬤ Adatok klaszterezése a Scikit-Learn könyvtárral.
⬤ Dimenziócsökkentés PCA és LDA segítségével a Sklearn segítségével.
⬤ A legjobb modellek kiválasztása a Scikit-Learn segítségével.
⬤ Naturális nyelvfeldolgozás a Scikit-Learn segítségével.
⬤ Képosztályozás a Scikit-Learn segítségével.
Nyomja meg a BUY NOW gombot, és kezdje el az adattudományi tanulási utazást.
