Bewertung:
Das Buch dient als nützliche Einführung in das maschinelle Lernen und konzentriert sich auf die praktische Umsetzung mit Python und der Bibliothek scikit-learn. Es richtet sich an Anfänger und Nachwuchswissenschaftler, die verschiedene Algorithmen und ihre Anwendungen kennenlernen möchten. Das Buch wurde jedoch für seine Organisation und Tiefe kritisiert.
Vorteile:⬤ Hervorragend geeignet für Anfänger ohne mathematische Vorkenntnisse.
⬤ Enthält praktische Beispiele und Anwendungen aus dem wirklichen Leben.
⬤ Konzentriert sich auf die weit verbreitete Bibliothek scikit-learn.
⬤ Deckt sowohl überwachte als auch unüberwachte Lernalgorithmen ab.
⬤ Bietet klare Erklärungen, die helfen, komplexe Konzepte zu verstehen.
⬤ Geeignet für Datenwissenschaftler, die ihre Fähigkeiten verbessern wollen.
⬤ Die Organisation des Inhalts ist etwas verwirrend, da einige wichtige Themen nicht in der richtigen Reihenfolge behandelt werden.
⬤ Fehlende Tiefe in bestimmten Bereichen
⬤ Einige wichtige Konzepte und Algorithmen werden ausgelassen.
⬤ Kein Glossar zum schnellen Nachschlagen von Begriffen
⬤ verlässt sich stattdessen auf einen Index.
⬤ Deckt anscheinend alles ab, beherrscht das Thema aber nicht vollständig.
(basierend auf 4 Leserbewertungen)
Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine lear
Integrieren Sie scikit-learn mit verschiedenen Tools wie NumPy, pandas, imbalanced-learn und scikit-surprise und nutzen Sie es, um reale Probleme des maschinellen Lernens zu lösen.
Hauptmerkmale
⬤ Tauchen Sie ein in das maschinelle Lernen mit diesem umfassenden Handbuch zu scikit-learn und wissenschaftlichem Python.
⬤ Beherrschen Sie die Kunst des datengesteuerten Problemlösens anhand praktischer Beispiele.
⬤ Fördern Sie Ihr theoretisches und praktisches Wissen über überwachte und unüberwachte Algorithmen des maschinellen Lernens.
Buchbeschreibung
Maschinelles Lernen wird überall angewandt, von der Wirtschaft über die Forschung bis hin zur akademischen Welt, und scikit-learn ist eine vielseitige Bibliothek, die bei Praktikern des maschinellen Lernens beliebt ist. Dieses Buch dient als praktischer Leitfaden für alle, die praktische Lösungen für maschinelles Lernen mit scikit-learn und Python-Toolkits anbieten möchten.
Das Buch beginnt mit einer Erläuterung der Konzepte und Grundlagen des maschinellen Lernens und schafft ein Gleichgewicht zwischen theoretischen Konzepten und ihren Anwendungen. Jedes Kapitel behandelt eine andere Gruppe von Algorithmen und zeigt Ihnen, wie Sie diese zur Lösung realer Probleme einsetzen können. Anhand praktischer Beispiele lernen Sie verschiedene wichtige überwachte und unüberwachte Algorithmen des maschinellen Lernens kennen. Egal, ob es sich um einen instanzbasierten Lernalgorithmus, eine Bayes'sche Schätzung, ein tiefes neuronales Netzwerk, ein baumbasiertes Ensemble oder ein Empfehlungssystem handelt, Sie werden ein gründliches Verständnis der Theorie erlangen und lernen, wann Sie es anwenden sollten. Im weiteren Verlauf lernen Sie, wie Sie mit unbeschrifteten Daten umgehen und wann Sie verschiedene Algorithmen für Clustering und Anomalieerkennung einsetzen sollten.
Am Ende dieses Buches über maschinelles Lernen werden Sie gelernt haben, wie man einen datengesteuerten Ansatz verfolgt, um End-to-End-Lösungen für maschinelles Lernen bereitzustellen. Sie werden auch erfahren, wie Sie das jeweilige Problem formulieren, die erforderlichen Daten aufbereiten und die Modelle bewerten und in der Produktion einsetzen können.
Was Sie lernen werden
⬤ Sie wissen, wann Sie überwachte, unüberwachte oder verstärkende Lernalgorithmen verwenden sollten.
⬤ Sie erfahren, wie Sie Ihre Daten für Aufgaben des maschinellen Lernens sammeln und vorbereiten können.
⬤ Bearbeiten Sie unausgewogene Daten und optimieren Sie Ihren Algorithmus für einen Kompromiss aus Verzerrung und Varianz.
⬤ Überwachte und unüberwachte Algorithmen anwenden, um verschiedene Herausforderungen des maschinellen Lernens zu bewältigen.
⬤ Einsatz von Best Practices zur Abstimmung der Hyperparameter Ihres Algorithmus.
⬤ Entdecken Sie, wie man neuronale Netze für Klassifizierung und Regression verwendet.
⬤ Erstellen, bewerten und implementieren Sie Ihre maschinellen Lernlösungen in der Produktion.
Für wen ist dieses Buch gedacht?
Dieses Buch richtet sich an Datenwissenschaftler, Praktiker des maschinellen Lernens und alle, die lernen möchten, wie Algorithmen des maschinellen Lernens funktionieren und verschiedene Modelle des maschinellen Lernens mit Hilfe des Python-Ökosystems erstellen möchten. Das Buch wird Ihnen helfen, Ihr Wissen über maschinelles Lernen auf die nächste Stufe zu heben, indem Sie die Besonderheiten des maschinellen Lernens verstehen und es auf Ihre Bedürfnisse zuschneiden. Vorausgesetzt werden Kenntnisse in Python und ein grundlegendes Verständnis der zugrunde liegenden mathematischen und statistischen Konzepte.
