Maschinelles Lernen: Beherrschen Sie überwachte und nicht überwachte Lernalgorithmen mit echten Beispielen

Bewertung: ⭐⭐⭐⭐  (3,7 von 5)

Leserbewertungen

Zusammenfassung:

Das Buch soll eine einfache und prägnante Einführung in das maschinelle Lernen bieten, die auch Anfängern zugänglich ist. Es enthält praktische Übungen und deckt verschiedene Themen ab, wird aber von einigen Nutzern als zu grundlegend und zu wenig tiefgehend empfunden.

Vorteile:

Das Buch erklärt Konzepte des maschinellen Lernens auf einfache und prägnante Weise, die für Anfänger geeignet ist. Es enthält viele gelöste Übungen und praktische Anwendungen, was es zu einem guten Kauf für Einsteiger macht.

Nachteile:

Viele Nutzer sind der Meinung, dass der Inhalt zu grundlegend ist und es ihm an Tiefe fehlt; es wird nicht erklärt, wie die Modelle des maschinellen Lernens intern funktionieren. Einige Leser betrachten es aufgrund der Konzentration auf Fragen und Antworten eher als Arbeitsbuch und wünschen sich detailliertere Erklärungen, insbesondere für Konzepte wie die lineare Regression.

(basierend auf 4 Leserbewertungen)

Originaltitel:

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

Inhalt des Buches:

BESCHREIBUNG

Das Buch bietet den Lesern die grundlegenden Konzepte der Techniken des maschinellen Lernens in einer benutzerfreundlichen Sprache. Das Buch zielt darauf ab, vertieftes Wissen über die verschiedenen Algorithmen des Maschinellen Lernens (ML) und die praktische Umsetzung der verschiedenen ML-Ansätze zu vermitteln.

Dieses Buch deckt verschiedene überwachte Algorithmen des maschinellen Lernens ab, wie z.B. lineares Regressionsmodell, Nave Bayes Klassifikator, Entscheidungsbaum, K-nearest neighbor, logistische Regression, Support Vector Machine, Random Forest Algorithmen, unüberwachte Algorithmen des maschinellen Lernens wie k-means clustering, Hierarchical Clustering, Probabilistisches Clustering, Assoziationsregel-Mining, Apriori-Algorithmus, f-p-Wachstumsalgorithmus, Gaußsches Mischungsmodell und Reinforcement-Learning-Algorithmus wie Markov-Entscheidungsprozess (MDP), Bellman-Gleichungen, Politikbewertung mit Monte Carlo, Politik-Iteration und Wert-Iteration, Q-Learning, State-Action-Reward-State-Action (SARSA). Außerdem werden verschiedene Techniken zur Merkmalsextraktion und -auswahl, das Recommender System und ein kurzer Überblick über Deep Learning behandelt.

Am Ende dieses Buches kann der Leser die Konzepte des maschinellen Lernens verstehen und verschiedene ML-Algorithmen einfach auf reale Probleme anwenden.

(WAS SIE LERNEN WERDEN)

● Techniken zur Merkmalsextraktion und Merkmalsauswahl durchführen.

Lernen Sie, den besten Machine-Learning-Algorithmus für ein bestimmtes Problem auszuwählen.

● Sich in der Verwendung beliebter Python-Bibliotheken wie Scikit-learn, pandas und matplotlib zurechtfinden.

● Üben Sie, wie man verschiedene Arten von Machine-Learning-Techniken implementiert.

● Lernen Sie künstliche neuronale Netze und den Backpropagation-Algorithmus kennen.

● Nutzen Sie verschiedene empfohlene Systeme mit leistungsstarken Algorithmen.

(FÜR WEN IST DIESES BUCH GEDACHT?)

Dieses Buch richtet sich an Studierende der Datenwissenschaft und Analytik, Akademiker und Forscher, die die Konzepte des maschinellen Lernens erkunden und das Verständnis für reale Fälle üben möchten. Grundlegende statistische und programmiertechnische Kenntnisse sind von Vorteil, aber nicht zwingend erforderlich.

Weitere Daten des Buches:

• ISBN: 9789391392352
• Autor: Dr Kamal Kant Hiran Ruchi Doshi
• Verlag: Bpb Pubn
• Sprache: Englisch
• Einband: Taschenbuch