Strojové učenie: Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová Ničová

Recenzie čitateľov

Cieľom knihy je poskytnúť jednoduchý a stručný úvod do strojového učenia, aby bolo prístupné aj pre začiatočníkov. Obsahuje praktické cvičenia a venuje sa rôznym témam, ale niektorí používatelia ju považujú za príliš základnú a málo hlbokú.

Kniha vysvetľuje koncepty strojového učenia jednoduchým a stručným spôsobom, vhodným pre začiatočníkov. Obsahuje množstvo vyriešených cvičení a praktických aplikácií, vďaka čomu je vhodnou kúpou pre začiatočníkov.

Mnohí používatelia majú pocit, že obsah je príliš základný a chýba mu hĺbka; nevysvetľuje, ako modely strojového učenia fungujú interne. Niektorí čitatelia ju považujú skôr za pracovnú učebnicu, pretože sa zameriava na otázky a odpovede, pričom im chýbajú podrobnejšie vysvetlenia, najmä pri pojmoch, ako je lineárna regresia.

(na základe 4 čitateľských recenzií)

Pôvodný názov:

Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples

Obsah knihy:

OPIS

Kniha ponúka čitateľom základné koncepty techník strojového učenia v užívateľsky prívetivom jazyku. Cieľom knihy je poskytnúť hlboké znalosti o rôznych algoritmoch strojového učenia (ML) a praktickej implementácii rôznych prístupov ML.

Táto kniha sa zaoberá rôznymi algoritmami strojového učenia pod dohľadom, ako sú lineárny regresný model, Nave Bayesov klasifikátor rozhodovací strom, K-najbližší sused, logistická regresia, stroj podporných vektorov, algoritmy náhodného lesa, algoritmy strojového učenia bez dohľadu, ako sú k-means zhlukovanie, hierarchické zhlukovanie, pravdepodobnostné zhlukovanie, dolovanie asociačných pravidiel, algoritmus Apriori, algoritmus f-p rastu, model Gaussovej zmesi a algoritmus posilňovania učenia, ako napríklad Markovov rozhodovací proces (MDP), Bellmanove rovnice, vyhodnocovanie politiky pomocou Monte Carlo, iterácia politiky a iterácia hodnôt, Q-učenie, stav - akcia - odmena - akcia (SARSA). Zahŕňa aj rôzne techniky extrakcie a výberu príznakov, odporúčací systém a stručný prehľad hlbokého učenia.

Na konci tejto knihy dokáže čitateľ pochopiť koncepty strojového učenia a ľahko implementovať rôzne algoritmy ML na reálne problémy.

ČO SA NAUČÍTE

● Vykonajte techniky extrakcie a výberu príznakov.

● Naučiť sa vybrať najlepší algoritmus strojového učenia pre daný problém.

● Získajte pevnú pozíciu v používaní populárnych knižníc jazyka Python, ako sú Scikit-learn, pandas a matplotlib.

● Precvičte si, ako implementovať rôzne typy techník strojového učenia.

● Zoznámte sa s umelými neurónovými sieťami spolu s algoritmom spätného šírenia.

● Využívajte rôzne odporúčané systémy s výkonnými algoritmami.

PRE KOHO JE TÁTO KNIHA URČENÁ

Táto kniha je určená študentom dátovej vedy a analytiky, akademikom a výskumníkom, ktorí chcú preskúmať koncepty strojového učenia a precvičiť si porozumenie reálnych prípadov. Znalosť základných štatistických a programátorských konceptov by bola dobrá, hoci nie je povinná.