Bewertung:
Das Buch wird allgemein als praktischer und zugänglicher Leitfaden für Anfänger und Fortgeschrittene im Bereich des maschinellen Lernens wahrgenommen. Es bietet klare Beispiele und Schritt-für-Schritt-Anleitungen für die Codierung. Einige Leser kritisieren jedoch, dass es schlecht geschrieben ist, Erklärungen fehlen und sich Inhalte wiederholen.
Vorteile:Das Buch ist benutzerfreundlich und für Anfänger und fortgeschrittene Lernende geeignet. Es enthält gebrauchsfertige Beispiele mit Standard-Python-Datensätzen, klare Kodierungsanweisungen und hilfreiche Erklärungen, die das Verständnis für Datenoptimierungen verbessern. Es ist auch sehr gut für Industrie und Forschung geeignet.
Nachteile:In einigen Rezensionen wird darauf hingewiesen, dass das Buch schlecht geschrieben ist, dass es keine angemessenen Erklärungen für Codes und Modelle gibt und dass es sich wiederholende Formulierungen enthält. Es wird auf lange Codeschnipsel ohne ausreichenden Kontext hingewiesen, was einige Leser verwirren könnte.
(basierend auf 5 Leserbewertungen)
Hands-On Scikit-Learn for Machine Learning Applications: Data Science Fundamentals with Python
Angehende Data-Science-Experten können mit diesem Buch die Scikit-Learn-Bibliothek und die Grundlagen des maschinellen Lernens erlernen. Das Buch kombiniert die Anaconda-Python-Distribution mit der beliebten Scikit-Learn-Bibliothek, um eine breite Palette von überwachten und unüberwachten Algorithmen für maschinelles Lernen zu demonstrieren. Die Prinzipien des maschinellen Lernens werden anhand von anschaulichen, in Python geschriebenen Beispielen erläutert, die Sie zu Hause auf Ihrem eigenen Rechner ausprobieren und damit experimentieren können.
Alle angewandten mathematischen und programmiertechnischen Fähigkeiten, die zur Beherrschung des Inhalts erforderlich sind, werden in diesem Buch behandelt. Vertiefte Kenntnisse der objektorientierten Programmierung sind nicht erforderlich, da funktionierende und vollständige Beispiele bereitgestellt und erklärt werden. Die Programmierbeispiele sind tiefgründig und komplex, wenn nötig. Sie sind außerdem prägnant, genau und vollständig und ergänzen die vorgestellten Konzepte des maschinellen Lernens. Die Arbeit mit den Beispielen hilft beim Aufbau der Fähigkeiten, die zum Verständnis und zur Anwendung komplexer Algorithmen des maschinellen Lernens erforderlich sind.
Hands-on Scikit-Learn for Machine Learning Applications ist ein ausgezeichneter Ausgangspunkt für diejenigen, die eine Karriere im Bereich des maschinellen Lernens anstreben. Studenten dieses Buches werden die Grundlagen erlernen, die eine Voraussetzung für Kompetenz sind. Die Leser werden mit der Anaconda-Distribution von Python vertraut gemacht, die speziell für Data-Science-Profis entwickelt wurde, und erwerben Kenntnisse in der beliebten Scikit-Learn-Bibliothek, die vielen Anwendungen des maschinellen Lernens in der Welt von Python zugrunde liegt.
Was Sie lernen werden
⬤ Arbeiten Sie mit einfachen und komplexen Datensätzen, die in Scikit-Learn enthalten sind.
⬤ Manipulieren Sie Daten in Vektoren und Matrizen für die algorithmische Verarbeitung.
⬤ Machen Sie sich mit der Anaconda-Distribution vertraut, die in der Datenwissenschaft verwendet wird.
⬤ Maschinelles Lernen mit Klassifikatoren, Regressoren und Dimensionalitätsreduktion anwenden.
⬤ Algorithmen abstimmen und die besten Algorithmen für jeden Datensatz finden.
⬤ Laden und Speichern von Daten in den Formaten CSV, JSON, Numpy und Pandas.
Für wen ist dieses Buch gedacht?
Der aufstrebende Datenwissenschaftler, der sich danach sehnt, in das maschinelle Lernen einzusteigen, indem er die zugrundeliegenden Grundlagen beherrscht, die manchmal in der Eile, produktiv zu sein, übersprungen werden. Einige Kenntnisse in objektorientierter Programmierung und sehr grundlegende Kenntnisse in angewandter linearer Algebra erleichtern das Lernen, obwohl jeder von diesem Buch profitieren kann.
| ISBN: | 9781484253724 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
