Leserbewertungen
Zusammenfassung:Das Buch wird kritisiert, weil es zu einfach ist und wesentliche Details für Leser, die sich für maschinelles Lernen interessieren, vermissen lässt. Es bietet keine ausreichenden Informationen, Strukturen und praktischen Anleitungen für die Anwendung von Konzepten des maschinellen Lernens in realen Szenarien.
Vorteile:Das Buch könnte als sehr grundlegende Einführung für absolute Anfänger dienen, die nichts über maschinelles Lernen wissen.
Nachteile:Es ist zu stark gekürzt, es fehlt ein Inhaltsverzeichnis und ein Index, und es bietet keine aussagekräftigen Einblicke in praktische Anwendungen des maschinellen Lernens. Viele Leser sind der Meinung, dass es sich nicht lohnt, es zu kaufen, und dass es eher den Lebenslauf der Autoren aufpeppt.
(basierend auf 2 Leserbewertungen)
Originaltitel:
Machine Learning in Production: Developing and Optimizing Data Science Workflows and Applications
Inhalt des Buches:
Grundlegende praktische Fertigkeiten für den Erfolg mit echten Data Science-Projekten.
Machine Learning in Production ist ein Crashkurs in Data Science und maschinellem Lernen für Menschen, die reale Probleme lösen müssen und keine umfassende formale Ausbildung haben. Diese umfassende und rigorose Einführung richtet sich an "zufällige Datenwissenschaftler" mit Neugier, Ehrgeiz und technischen Fähigkeiten und betont die Praxis, nicht die Theorie.
Aufbauend auf agilen Prinzipien zeigen Andrew und Adam Kelleher, wie man schnell einen bedeutenden Wert schafft und dabei auf überbewertete Tools und unnötige Komplexität verzichtet. Ausgehend von ihrer umfangreichen Erfahrung helfen sie Ihnen, nützliche Fragen zu stellen und typische Projekte von Anfang bis Ende durchzuführen.
Die Autoren zeigen, wie viele Informationen Sie mit einfachen Abfragen, Aggregationen und Visualisierungen gewinnen können, und sie vermitteln unverzichtbare Methoden zur Fehleranalyse, um kostspielige Fehler zu vermeiden. Sie befassen sich mit den wichtigsten Techniken des maschinellen Lernens wie lineare Regression, Klassifizierung, Clustering und Bayes'sche Inferenz. Sie erklären auch die Hard- und Software der Datenwissenschaft und wie man Systeme entwirft, die trotz Einschränkungen die Leistung maximieren.
Die Autoren konzentrieren sich immer auf das Wesentliche: die Lösung der Probleme, die den höchsten Return on Investment bieten, mit den einfachsten und risikoärmsten Ansätzen, die funktionieren.
⬤ Nutzen Sie agile Prinzipien, um den Projektumfang klein und die Entwicklung effizient zu halten.
⬤ Beginnen Sie mit einfachen Heuristiken und verbessern Sie diese, wenn Ihre Datenpipeline ausgereift ist.
⬤ Vermeiden Sie Fehlschlüsse, indem Sie grundlegende Fehleranalysetechniken anwenden.
⬤ Kommunizieren Sie Ihre Ergebnisse mit grundlegenden Datenvisualisierungstechniken.
⬤ Beherrschen Sie grundlegende Techniken des maschinellen Lernens, beginnend mit linearer Regression und Random Forests.
⬤ Klassifizierung und Clustering sowohl bei Vektor- als auch bei Graphdaten durchführen.
⬤ Beherrschen von Bayes'schen Netzwerken und deren Anwendung zum Verständnis kausaler Schlussfolgerungen.
⬤ Erforschen Sie Overfitting, Modellkapazität und andere fortgeschrittene Techniken des maschinellen Lernens.
⬤ Fundierte architektonische Entscheidungen über Speicherung, Datenübertragung, Berechnung und Kommunikation treffen.
Weitere Daten des Buches:
| ISBN: | 9780134116549 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 288 |
Kauf:
Derzeit verfügbar, auf Lager.
