Bewertung:
Das Buch „Programming Machine Learning“ von Paolo Perrotta wird weithin für seinen klaren und methodischen Ansatz zur Einführung in Konzepte des maschinellen Lernens geschätzt. Es führt Anfänger erfolgreich durch die Grundlagen des maschinellen Lernens und der neuronalen Netze, ohne dabei stark auf bestehende Bibliotheken zurückzugreifen, wodurch komplexe Themen leichter zugänglich werden. Einige Rezensenten bemängelten jedoch Defizite bei tieferen mathematischen Erklärungen und bestimmten fortgeschrittenen Themen, was darauf hindeutet, dass das Buch möglicherweise nicht den Bedürfnissen derjenigen entspricht, die eine umfassende Abdeckung dieser Bereiche wünschen.
Vorteile:⬤ Klare und schrittweise Einführung in die Konzepte des maschinellen Lernens.
⬤ Gute Erklärungen der zugrunde liegenden Mathematik und des Codes.
⬤ Praktischer, praxisnaher Ansatz mit Beispielen.
⬤ Gut bebilderte Diagramme, die das Verständnis verbessern.
⬤ Persönliche Unterstützung und Engagement des Autors.
⬤ Gut geeignet für Anfänger und fortgeschrittene Programmierer, die sich Grundkenntnisse aneignen wollen.
⬤ Es fehlt eine ausführliche mathematische Beschreibung der Konzepte.
⬤ Einige Kapitel, wie die über CNNs, werden als unzureichend angesehen.
⬤ Begrenzte Abdeckung fortgeschrittener Themen, die diejenigen, die umfassendes Wissen suchen, möglicherweise nicht zufriedenstellen.
(basierend auf 19 Leserbewertungen)
Programming Machine Learning: From Coding to Deep Learning
Sie haben beschlossen, sich mit maschinellem Lernen zu befassen - weil Sie auf Jobsuche sind, ein neues Projekt in Angriff nehmen wollen oder selbstfahrende Autos einfach nur cool finden. Aber wo soll man anfangen? Selbst als Softwareentwickler kann man leicht eingeschüchtert sein. Die gute Nachricht ist, dass es gar nicht so schwer sein muss. Meistern Sie das maschinelle Lernen, indem Sie Code Zeile für Zeile schreiben, von einfachen Lernprogrammen bis hin zu einem echten Deep-Learning-System. Nehmen Sie die schwierigen Themen in Angriff, indem Sie sie so aufschlüsseln, dass sie leichter zu verstehen sind, und stärken Sie Ihr Selbstvertrauen, indem Sie sich die Hände schmutzig machen.
Entfernen Sie die Unklarheiten des maschinellen Lernens, indem Sie bei Null anfangen und bis zum Deep Learning vordringen. Maschinelles Lernen kann einschüchternd wirken, da es sich auf Mathematik und Algorithmen stützt, mit denen die meisten Programmierer bei ihrer normalen Arbeit nicht in Berührung kommen. Verfolgen Sie einen praktischen Ansatz, indem Sie den Python-Code selbst schreiben, ohne Bibliotheken, die verdecken, was wirklich vor sich geht. Iterieren Sie Ihren Entwurf und fügen Sie nach und nach weitere Komplexitätsebenen hinzu.
Erstellen Sie eine Bilderkennungsanwendung von Grund auf mit überwachtem Lernen. Prognostizieren Sie die Zukunft mit linearer Regression. Eintauchen in den Gradientenabstieg, einen grundlegenden Algorithmus, der den Großteil des maschinellen Lernens bestimmt. Erstellen von Perceptrons zur Klassifizierung von Daten. Aufbau neuronaler Netze, um komplexere und anspruchsvollere Datensätze zu bewältigen. Trainieren und verfeinern Sie diese Netzwerke mit Backpropagation und Batching. Überlagern Sie die neuronalen Netzwerke, beseitigen Sie Überanpassungen und fügen Sie Faltung hinzu, um Ihr neuronales Netzwerk in ein echtes Deep-Learning-System zu verwandeln.
Beginnen Sie von Anfang an und programmieren Sie sich Ihren Weg zur Meisterschaft im maschinellen Lernen.
Was Sie brauchen:
Die Beispiele in diesem Buch sind in Python geschrieben, aber machen Sie sich keine Sorgen, wenn Sie diese Sprache nicht beherrschen: Sie werden alle Python-Kenntnisse, die Sie benötigen, sehr schnell erlernen. Abgesehen davon brauchen Sie nur Ihren Computer und Ihr code-affines Gehirn.
| ISBN: | 9781680506600 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 300 |
Derzeit verfügbar, auf Lager.
