Bewertung:
Das Buch wird als Lehrmittel für Anfänger im Bereich des maschinellen Lernens hoch geschätzt und bietet eine solide Grundlage und klare Erklärungen. Es ist gut strukturiert und bietet detaillierte Definitionen, Fallstudien und einen umfassenden Ansatz für das Thema. Allerdings fehlt es an ausreichenden Codebeispielen und der Schreibstil kann manchmal etwas trocken sein.
Vorteile:Leicht zu lesen und zu folgen, gut gegliedert, bietet eine solide Grundlage, detaillierte Fallstudien, klare Erklärungen der Algorithmen, gute Balance zwischen Theorie und Praxis, ideal für absolute Anfänger, umfassende Tiefe in den Prozessen des maschinellen Lernens, hochwertiger Druck.
Nachteile:Es fehlt an Codebeispielen für praktische Erfahrungen, der Schreibstil kann trocken und wenig fesselnd sein, einige Konzepte könnten von mehr Kürze profitieren, erfordert möglicherweise gute Englischkenntnisse.
(basierend auf 13 Leserbewertungen)
Fundamentals of Machine Learning for Predictive Data Analytics, Second Edition: Algorithms, Worked Examples, and Case Studies
Die zweite Auflage einer umfassenden Einführung in die Ansätze des maschinellen Lernens in der prädiktiven Datenanalyse, die sowohl Theorie als auch Praxis umfasst.
Maschinelles Lernen wird häufig verwendet, um Vorhersagemodelle zu erstellen, indem Muster aus großen Datensätzen extrahiert werden. Diese Modelle werden in der prädiktiven Datenanalyse für Anwendungen wie Preisvorhersage, Risikobewertung, Vorhersage des Kundenverhaltens und Dokumentenklassifizierung eingesetzt. Dieses einführende Lehrbuch bietet eine detaillierte und konzentrierte Behandlung der wichtigsten Ansätze des maschinellen Lernens, die in der prädiktiven Datenanalyse verwendet werden, und deckt sowohl theoretische Konzepte als auch praktische Anwendungen ab. Technisches und mathematisches Material wird durch erläuternde Arbeitsbeispiele ergänzt, und Fallstudien veranschaulichen die Anwendung dieser Modelle in einem breiteren Geschäftskontext. Diese zweite Auflage deckt die jüngsten Entwicklungen im Bereich des maschinellen Lernens ab, insbesondere in einem neuen Kapitel über Deep Learning und zwei neuen Kapiteln, die über Predictive Analytics hinausgehen und unüberwachtes Lernen und Reinforcement Learning behandeln.
Das Buch ist leicht zugänglich und bietet nicht-technische Erklärungen zu den Ideen, die jedem Ansatz zugrunde liegen, bevor mathematische Modelle und Algorithmen vorgestellt werden. Es ist fokussiert und tiefgründig und vermittelt den Studierenden detaillierte Kenntnisse über die Kernkonzepte, die ihnen eine solide Grundlage für die eigenständige Erkundung des Gebiets bieten. Sowohl in den ersten Kapiteln als auch in den späteren Fallstudien wird veranschaulicht, wie sich der Prozess des Lernens von Vorhersagemodellen in den breiteren Unternehmenskontext einfügt. Die beiden Fallstudien beschreiben spezifische Datenanalyseprojekte in jeder Phase der Entwicklung, von der Formulierung des Geschäftsproblems bis zur Implementierung der Analyselösung. Das Buch kann als Lehrbuch für Einsteiger oder als Nachschlagewerk für Fachleute verwendet werden.
| ISBN: | 9780262044691 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 856 |
Derzeit verfügbar, auf Lager.
