Leserbewertungen
Zusammenfassung:Das Buch ist ein praktischer Leitfaden für maschinelles Lernen, der die Lücke zwischen theoretischen Konzepten und praktischer Anwendung schließt. Es ist für diejenigen geeignet, die über einige Programmierkenntnisse verfügen, insbesondere in Python, und bietet verschiedene Beispiele und Codeschnipsel für das praktische Lernen. Allerdings gibt es Kritik an der Tiefe der mathematischen Details und an der Darstellung des Codes.
Vorteile:⬤ Gut organisiert und klar präsentiert
⬤ großartig für Praktiker
⬤ gute Beispiele und praktische Schritte
⬤ kein umfangreicher mathematischer Hintergrund erforderlich
⬤ geeignet für Entwickler auf mittlerem Niveau
⬤ praktischer Ansatz mit Codebeispielen
⬤ behandelt reale Probleme in ML.
⬤ Fehlt es an Tiefe in den mathematischen Details
⬤ einige Codeschnipsel scheinen schlecht durchdacht und können Fehler enthalten
⬤ Darstellung in Schwarz-Weiß-Abbildungen
⬤ möglicherweise nicht geeignet für fortgeschrittene Benutzer oder diejenigen, die theoretische Tiefe suchen
⬤ einige Leser finden es oberflächlich.
(basierend auf 17 Leserbewertungen)
Originaltitel:
Real-World Machine Learning
Inhalt des Buches:
Zusammenfassung
Real-World Machine Learning ist ein praktischer Leitfaden, der berufstätigen Entwicklern die Kunst der Ausführung von ML-Projekten vermittelt. Ohne Sie mit akademischer Theorie und komplexer Mathematik zu überfordern, führt es Sie in die alltägliche Praxis des maschinellen Lernens ein und bereitet Sie darauf vor, leistungsstarke ML-Systeme erfolgreich zu entwickeln und einzusetzen.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
Systeme des maschinellen Lernens helfen Ihnen, wertvolle Erkenntnisse und Muster in Daten zu finden, die Sie mit herkömmlichen Methoden nie erkennen würden. In der realen Welt bieten ML-Techniken die Möglichkeit, Trends zu erkennen, Verhalten vorherzusagen und faktenbasierte Empfehlungen abzugeben. Es handelt sich um ein heißes und wachsendes Feld, und schnelle ML-Entwickler sind gefragt.
Über das Buch
Real-World Machine Learning vermittelt Ihnen die Konzepte und Techniken, die Sie benötigen, um ein erfolgreicher Praktiker des maschinellen Lernens zu werden, ohne Sie mit abstrakter Theorie und komplexer Mathematik zu überfordern. Durch die Arbeit an unmittelbar relevanten Beispielen in Python erwerben Sie Fähigkeiten in den Bereichen Datenerfassung und -modellierung, Klassifizierung und Regression. Sie werden auch die wichtigsten Aufgaben wie Modellvalidierung, Optimierung, Skalierbarkeit und Echtzeit-Streaming erforschen. Am Ende des Kurses werden Sie in der Lage sein, Ihre eigenen leistungsstarken ML-Systeme erfolgreich zu entwickeln, einzusetzen und zu warten.
Was ist drin?
⬤ Vorhersage des zukünftigen Verhaltens.
⬤ Leistungsbewertung und -optimierung
⬤ Analyse der Stimmung und Abgabe von Empfehlungen.
Über den Leser
Vorkenntnisse im Bereich maschinelles Lernen werden nicht vorausgesetzt. Die Leser sollten Python beherrschen.
Über die Autoren
Henrik Brink, Joseph Richards und Mark Fetherolf sind erfahrene Datenwissenschaftler, die in der täglichen Praxis des maschinellen Lernens tätig sind.
Inhaltsverzeichnis
TEIL 1: DER WORKFLOW DES MASCHINELLEN LERNENS.
⬤ Was ist maschinelles Lernen?
⬤ Daten aus der realen Welt.
⬤ Modellierung und Vorhersage.
⬤ Modellbewertung und -optimierung.
⬤ Grundlegendes Feature-Engineering.
TEIL 2: PRAKTISCHE ANWENDUNG.
⬤ Beispiel: NYC Taxidaten.
⬤ Fortgeschrittenes Feature Engineering.
⬤ Fortgeschrittenes NLP-Beispiel: Stimmung in Filmkritiken.
⬤ Skalierung von Machine-Learning-Workflows.
⬤ Beispiel: digitale Display-Werbung.
Weitere Daten des Buches:
| ISBN: | 9781617291920 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2016 |
| Seitenzahl: | 264 |
Kauf:
Derzeit verfügbar, auf Lager.
