Hodnotenie:
Kniha „Mastering Machine Learning Algorithms“ od Giuseppeho Bonaccorsa je oceňovaná pre svoje komplexné a podrobné pokrytie algoritmov strojového učenia, matematických základov a praktických príkladov kódovania. Hoci slúži ako vynikajúca referencia pre stredne pokročilých až pokročilých študentov, pre začiatočníkov môže byť kvôli svojej hĺbke a požadovaným predchádzajúcim znalostiam ohromujúca.
Výhody:⬤ Komplexné pokrytie rôznych algoritmov a metód strojového učenia.
⬤ Silné matematické základy na lepšie pochopenie.
⬤ Dobrá rovnováha medzi teóriou a praktickými príkladmi kódovania.
⬤ Obsahuje časti o ďalšom čítaní na prehĺbenie znalostí.
⬤ Vysoko hodnotená referenčná kniha študentmi aj profesionálmi v tejto oblasti.
⬤ Nie je vhodná pre začiatočníkov
⬤ vyžaduje solídne znalosti strojového učenia a matematiky.
⬤ Niektorí používatelia ju považovali za ohromujúcu a trochu neorganizovanú.
⬤ Chýbajú rozsiahle praktické príklady implementácie v jazyku Python
⬤ môže byť príliš teoretická.
⬤ V obsahu bolo zaznamenaných niekoľko drobných chýb.
(na základe 22 čitateľských recenzií)
Mastering Machine Learning Algorithms - Second Edition
Aktualizované a prepracované druhé vydanie najpredávanejšej príručky na preskúmanie a zvládnutie najdôležitejších algoritmov na riešenie zložitých problémov strojového učenia Kľúčové vlastnosti Aktualizované o nové algoritmy a techniky Kód aktualizovaný na Python 3. 8 a TensorFlow 2. x Nové pokrytie regresnej analýzy, analýzy časových radov, modelov hlbokého učenia a špičkových aplikácií Popis knihy
Mastering Machine Learning Algorithms, Second Edition vám pomôže využiť skutočnú silu algoritmov strojového učenia s cieľom implementovať inteligentnejšie spôsoby uspokojovania dnešných ohromujúcich potrieb v oblasti údajov. Táto novo aktualizovaná a prepracovaná príručka vám pomôže zvládnuť algoritmy široko používané v oblastiach poloprevádzkového učenia, posilňovania učenia, učenia pod dohľadom a učenia bez dohľadu.
Budete používať všetky moderné knižnice z ekosystému Python vrátane NumPy a Keras na extrakciu funkcií z rôznorodých komplexných údajov. Táto kniha o strojovom učení vás naučí, ako extrahovať príznaky zo súboru údajov, vykonávať komplexnú redukciu dimenzionality a trénovať kontrolované a čiastočne kontrolované modely pomocou knižníc založených na jazyku Python, ako napríklad scikit-learn, a to od Bayesovských modelov cez algoritmus Markovovho reťazca Monte Carlo až po skryté Markovove modely. Objavíte tiež praktické aplikácie zložitých techník, ako je odhad maximálnej vierohodnosti, hebbianské učenie a skupinové učenie, a zistíte, ako používať TensorFlow 2.x na trénovanie efektívnych hlbokých neurónových sietí.
Na konci tejto knihy budete pripravení implementovať a riešiť komplexné problémy strojového učenia a scenáre prípadov použitia. Čo sa naučíte Pochopiť vlastnosti algoritmu strojového učenia Implementovať algoritmy z domén s dohľadom, s čiastočným dohľadom, bez dohľadu a RL Zistiť, ako funguje regresia pri analýze časových radov a predpovedaní rizík Vytvárať, modelovať a trénovať komplexné pravdepodobnostné modely Zhlukovať vysokorozmerné údaje a vyhodnocovať presnosť modelov Zistiť, ako fungujú umelé neurónové siete - trénovať, optimalizovať a overovať ich Pracovať s autoenkodérmi, Hebbovými sieťami a GAN Komu je táto kniha určená
Táto kniha je určená pre odborníkov v oblasti dátovej vedy, ktorí sa chcú ponoriť do zložitých algoritmov ML a pochopiť, ako možno vytvárať rôzne modely strojového učenia. Vyžaduje sa znalosť programovania v jazyku Python. Obsah Základy modelov strojového učenia Stratové funkcie a regularizácia Úvod do poloprevádzkového učenia Pokročilá poloprevádzková klasifikácia Poloprevádzkové učenie založené na grafoch Zhlukovanie a modely bez dohľadu Pokročilé zhlukovanie a modely bez dohľadu Zhlukovanie a modely bez dohľadu pre marketing Zovšeobecnené lineárne modely a regresia Úvod do časovej Analýza radov Bayesovské siete a skryté Markovove modely Algoritmus EM Analýza komponentov a redukcia dimenzionality Hebbovské učenie Základy skupinového učenia Pokročilé posilňovacie algoritmy Modelovanie neurónových sietí Optimalizácia neurónových sietí Hlboké konvolučné siete Rekurentné neurónové siete Automatické kódovače Úvod do generatívnych adverzných sietí Hlboké vernostné siete Úvod do posilňovacieho učenia Pokročilé algoritmy odhadovania politiky
