Čistenie a skúmanie dát pomocou strojového učenia: Osvojte si techniky strojového učenia, aby ste rýchlo dosiahli žiarivo čisté údaje

Recenzie čitateľov

Táto kniha je komplexným a pre začiatočníkov zrozumiteľným sprievodcom zameraným na čistenie a prípravu údajov na strojové učenie. Ponúka praktické cvičenia, cenné poznatky a praktické techniky, ktoré v iných zdrojoch často chýbajú. Hoci je vysoko hodnotená pre svoje jasné vysvetlenia a užitočné príklady, existujú náznaky, že v niektorých pokročilých témach jej môže chýbať hĺbka.

⬤ Komplexné a jasné vysvetlenia techník čistenia a prípravy údajov.
⬤ Praktické cvičenia a príklady kódu dostupné na GitHub.
⬤ Skvelé pre začiatočníkov a slúži ako spoľahlivá referencia pre skúsených používateľov.
⬤ Pútavý a prístupný štýl písania; pôsobí konverzačne.
⬤ Zameriava sa na najcennejšie techniky, ktoré vedú k výsledkom v strojovom učení.

⬤ Chýba hĺbka v pokročilých témach, ako je hlboké učenie a analýza chýb.
⬤ Niektorí čitatelia si želajú širší súbor nástrojov pre komplexné modelovacie aplikácie.
⬤ Zameriava sa viac na obsah na úrovni začiatočníkov, čo nemusí uspokojiť skúsenejších dátových vedcov, ktorí hľadajú pokročilé poznatky.

(na základe 7 čitateľských recenzií)

Pôvodný názov:

Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly

Obsah knihy:

Preskúmajte techniky strojového učenia, ktoré sa postarajú o pranie vašich dát

Kľúčové funkcie:

⬤ Učte sa, ako pripraviť údaje na procesy strojového učenia.

⬤ Pochopte, ktoré algoritmy sú založené na cieľoch predikcie a vlastnostiach údajov.

⬤ Preskúmajte, ako interpretovať a vyhodnocovať výsledky strojového učenia.

Popis knihy:

Mnohí jednotlivci, ktorí vedia spúšťať algoritmy strojového učenia, nemajú dobrý zmysel pre štatistické predpoklady, ktoré používajú, a pre to, ako prispôsobiť vlastnosti údajov algoritmu pre dosiahnutie najlepších výsledkov.

Keď začnete pracovať s touto knihou, modely sú starostlivo vybrané tak, aby vám pomohli pochopiť základné údaje vrátane dôležitosti a korelácie medzi jednotlivými funkciami a rozloženia funkcií a cieľov. Prvé dve časti knihy vás oboznámia s technikami prípravy údajov pre ML algoritmy, pričom sa nehanbia použiť niektoré ML techniky na čistenie údajov vrátane detekcie anomálií a výberu príznakov. Kniha vám potom pomôže aplikovať tieto znalosti na širokú škálu úloh ML. Získate prehľad o populárnych kontrolovaných a nekontrolovaných algoritmoch, o tom, ako pre ne pripraviť údaje a ako ich vyhodnotiť. Ďalej budete vytvárať modely a chápať vzťahy v údajoch, ako aj vykonávať úlohy čistenia a skúmania týchto údajov. Rýchlo pokročíte v skúmaní rozdelenia premenných, identifikácii anomálií a skúmaní dvojrozmerných vzťahov, pretože v tejto knihe sa viac zameriavate na presnosť predpovedí.

Na konci tejto knihy budete schopní riešiť zložité problémy s údajmi pomocou neovládaných algoritmov ML, ako je analýza hlavných komponentov a k-means zhlukovanie.

Čo sa naučíte:

⬤ Preskúmajte základné techniky čistenia a skúmania údajov, ktoré treba použiť pred spustením najpopulárnejších algoritmov strojového učenia.

⬤ Poznáte, ako vykonať predbežné spracovanie a výber príznakov a ako nastaviť údaje na testovanie a overovanie.

⬤ Modelovať spojité ciele pomocou algoritmov učenia pod dohľadom.

⬤ Modelovať binárne a viactriedne ciele pomocou algoritmov učenia s dohľadom.

⬤ Vykonať zhlukovanie a redukciu dimenzie pomocou algoritmov učenia bez dohľadu.

⬤ Pochopiť, ako používať regresné stromy na modelovanie spojitého cieľa.

Pre koho je táto kniha určená:

Táto kniha je určená profesionálnym dátovým vedcom, najmä tým, ktorí sú v prvých rokoch svojej kariéry, alebo skúsenejším analytikom, ktorí sú v strojovom učení relatívne noví. Čitatelia by mali mať predchádzajúce znalosti pojmov zo štatistiky, ktoré sa zvyčajne vyučujú v úvodnom kurze na bakalárskom stupni, ako aj začiatočnícke skúsenosti s programovou manipuláciou s údajmi.