Bewertung:
Das Buch „Mastering Machine Learning Algorithms“ von Giuseppe Bonaccorso wird für seine umfassende und detaillierte Darstellung der Algorithmen des maschinellen Lernens, der mathematischen Grundlagen und der praktischen Programmierbeispiele gelobt. Während es für Fortgeschrittene ein hervorragendes Nachschlagewerk ist, kann es für Anfänger aufgrund seiner Tiefe und der erforderlichen Vorkenntnisse überwältigend sein.
Vorteile:⬤ Umfassende Behandlung verschiedener Algorithmen und Methoden des maschinellen Lernens.
⬤ Starke mathematische Grundlagen für ein besseres Verständnis.
⬤ Gutes Gleichgewicht zwischen Theorie und praktischen Programmierbeispielen.
⬤ Enthält weiterführende Literatur zur Vertiefung der Kenntnisse.
⬤ Wird sowohl von Studenten als auch von Fachleuten als Nachschlagewerk hoch geschätzt.
⬤ Nicht für Anfänger geeignet
⬤ Erfordert solides Verständnis von maschinellem Lernen und Mathematik.
⬤ Einige Benutzer fanden es überwältigend und etwas unübersichtlich.
⬤ Mangel an umfangreichen praktischen Implementierungsbeispielen mit Python
⬤ kann zu theoretisch sein.
⬤ Einige kleinere Fehler im Inhalt festgestellt.
(basierend auf 22 Leserbewertungen)
Mastering Machine Learning Algorithms - Second Edition
Aktualisierte und überarbeitete zweite Auflage des Bestsellers zur Erforschung und Beherrschung der wichtigsten Algorithmen zur Lösung komplexer Machine-Learning-Probleme Hauptmerkmale Aktualisiert, um neue Algorithmen und Techniken einzubeziehen Code aktualisiert auf Python 3. 8 & TensorFlow 2. x Neue Abdeckung der Regressionsanalyse, Zeitreihenanalyse, Deep-Learning-Modelle und modernste Anwendungen Buchbeschreibung
Mastering Machine Learning Algorithms, Second Edition hilft Ihnen dabei, die wirkliche Leistung von Algorithmen des maschinellen Lernens zu nutzen, um intelligentere Wege zu implementieren, um den überwältigenden Datenanforderungen von heute gerecht zu werden. Dieses neu aktualisierte und überarbeitete Handbuch hilft Ihnen, Algorithmen zu beherrschen, die in den Bereichen semi-supervised learning, reinforcement learning, supervised learning und unsupervised learning weit verbreitet sind.
Sie werden alle modernen Bibliotheken aus dem Python-Ökosystem - einschließlich NumPy und Keras - nutzen, um Merkmale aus unterschiedlich komplexen Daten zu extrahieren. Von Bayes'schen Modellen über den Markov-Chain-Monte-Carlo-Algorithmus bis hin zu Hidden-Markov-Modellen lernen Sie in diesem Buch über maschinelles Lernen, wie Sie Merkmale aus Ihrem Datensatz extrahieren, komplexe Dimensionalitätsreduktion durchführen und überwachte und halbüberwachte Modelle trainieren, indem Sie Python-basierte Bibliotheken wie scikit-learn nutzen. Sie werden auch praktische Anwendungen für komplexe Techniken wie Maximum-Likelihood-Schätzung, Hebbian Learning und Ensemble Learning entdecken und erfahren, wie Sie TensorFlow 2.x verwenden, um effektive tiefe neuronale Netze zu trainieren.
Am Ende dieses Buches werden Sie in der Lage sein, durchgängige Machine-Learning-Probleme und Anwendungsszenarien zu implementieren und zu lösen. Was Sie lernen werden Verstehen Sie die Merkmale eines Algorithmus für maschinelles Lernen Implementieren Sie Algorithmen aus überwachten, halbüberwachten, unüberwachten und RL-Domänen Lernen Sie, wie Regression in der Zeitreihenanalyse und Risikovorhersage funktioniert Erstellen, modellieren und trainieren Sie komplexe probabilistische Modelle Clustern Sie hochdimensionale Daten und bewerten Sie die Modellgenauigkeit Entdecken Sie, wie künstliche neuronale Netze funktionieren - trainieren, optimieren und validieren Sie sie Arbeiten Sie mit Autocodierern, Hebbian-Netzen und GANs Für wen dieses Buch gedacht ist
Dieses Buch richtet sich an Data-Science-Fachleute, die sich mit komplexen ML-Algorithmen befassen wollen, um zu verstehen, wie verschiedene Modelle des maschinellen Lernens erstellt werden können. Kenntnisse der Python-Programmierung sind erforderlich. Inhaltsverzeichnis Grundlagen des maschinellen Lernens Verlustfunktionen und Regularisierung Einführung in das semi-überwachte Lernen Fortgeschrittene semi-überwachte Klassifikation Graphenbasiertes semi-überwachtes Lernen Clustering und unüberwachte Modelle Fortgeschrittenes Clustering und unüberwachte Modelle Clustering und unüberwachte Modelle für das Marketing Verallgemeinerte lineare Modelle und Regression Einführung in die Zeitreihenanalyse Zeitreihenanalyse Bayessche Netze und Hidden-Markov-Modelle Der EM-Algorithmus Komponentenanalyse und Dimensionalitätsreduktion Hebbian Learning Grundlagen des Ensemble-Lernens Fortgeschrittene Boosting-Algorithmen Modellierung neuronaler Netze Optimierung neuronaler Netze Tiefe Faltungsnetze Rekurrente neuronale Netze Auto-Encoder Einführung in generative adversarische Netze Tiefe Belief-Netze Einführung in Reinforcement Learning Fortgeschrittene Algorithmen zur Policy-Schätzung
| ISBN: | 9781838820299 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
