Vrecková príručka strojového učenia: Práca so štruktúrovanými údajmi v jazyku Python

Recenzie čitateľov

Kniha slúži ako praktická príručka pre jednotlivcov s určitými základnými znalosťami v oblasti dátovej vedy a strojového učenia a poskytuje stručné príklady kódu a dôkladné spracovanie kľúčových krokov projektu. Trpí však produkčnými problémami a chýba jej hĺbka akademického obsahu.

⬤ Výborný spoločník pre osoby s určitými základnými znalosťami v oblasti dátovej vedy a jazyka Python.
⬤ Zameriava sa na praktické dôsledky a jasné, stručné príklady namiesto hutného akademického obsahu.
⬤ Dobre segmentované témy umožňujú jednoduché referencie.
⬤ Pokrýva rôzne techniky ML a predstavuje najnovšie knižnice ako Yellowbrick.
⬤ Ľahká a prenosná na rýchle použitie.

⬤ Neučí od začiatku; nie je vhodný pre začiatočníkov.
⬤ Chýba pokrytie hlbokého učenia a niektorých moderných knižníc.
⬤ Problémy s kvalitou produkcie, nečitateľné grafy a problémy s väzbou.
⬤ Niektorí recenzenti ju považovali za príliš zameranú na kód bez dostatočného množstva matematickej teórie.

(na základe 13 čitateľských recenzií)

Pôvodný názov:

Machine Learning Pocket Reference: Working with Structured Data in Python

Obsah knihy:

Táto praktická príručka s podrobnými poznámkami, tabuľkami a príkladmi vám pomôže zorientovať sa v základoch štruktúrovaného strojového učenia. Autor Matt Harrison prináša cennú príručku, ktorú môžete použiť ako dodatočnú podporu počas školenia a ako praktický zdroj informácií, keď sa vrhnete do ďalšieho projektu strojového učenia.

Táto kniha, ktorá je ideálna pre programátorov, dátových vedcov a inžinierov umelej inteligencie, obsahuje prehľad procesu strojového učenia a prevedie vás klasifikáciou so štruktúrovanými údajmi. Okrem iného sa naučíte aj metódy zhlukovania, predpovedania spojitej hodnoty (regresie) a redukcie dimenzionality.

Táto vrecková príručka obsahuje časti, ktoré sa zaoberajú:

⬤ Klasifikácia s použitím súboru údajov Titanic.

⬤ Čistenie údajov a riešenie chýbajúcich údajov.

⬤ Exploratívna analýza údajov.

⬤ Obvyklé kroky predbežného spracovania s použitím vzorových údajov.

⬤ Výber funkcií užitočných pre model.

⬤ Výber modelu.

⬤ Metriky a hodnotenie klasifikácie.

⬤ Príklady regresie s použitím k-najbližšieho suseda, rozhodovacích stromov, boostingu a ďalších.

⬤ Metriky na vyhodnotenie regresie.

⬤ Klastrovanie.

⬤ Zníženie rozmerov.

⬤ Scikit-learn pipelines.