Bewertung:
Das Buch ist ein praktisches Hilfsmittel für alle, die sich für maschinelles Lernen, insbesondere mit Python, interessieren. Es bietet eine leicht verständliche Einführung in verschiedene Konzepte des maschinellen Lernens mit einem Schwerpunkt auf praktischen Beispielen und Code-Implementierungen. Es wurde jedoch für die oberflächliche Behandlung mathematischer Theorien und einige Codierungsfehler kritisiert. Es ist zwar eine gute Ergänzung zu theoretischeren Texten, reicht aber für völlige Anfänger in maschinellem Lernen oder Python nicht aus.
Vorteile:⬤ Praktischer Ansatz mit Schritt-für-Schritt-Beispielen
⬤ deckt beliebte Python-Bibliotheken ab
⬤ gut erklärte Codesegmente
⬤ gut für diejenigen mit einigen Vorkenntnissen in ML
⬤ enthält Anwendungen aus der Praxis
⬤ angenehmer Schreibstil
⬤ liefert nützliche Best Practices.
⬤ Wenig Theorie und mathematische Tiefe
⬤ einige Code-Beispiele sind fehlerhaft
⬤ möglicherweise nicht für absolute Anfänger in ML oder Python geeignet
⬤ Satzprobleme gemeldet
⬤ einigen Erklärungen fehlt der Kontext
⬤ veraltete Daten und Anforderungen.
(basierend auf 20 Leserbewertungen)
Python Machine Learning by Example - Third Edition: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn
Ein umfassendes Handbuch, das Sie mit den neuesten Entwicklungen des praktischen maschinellen Lernens mit Python vertraut macht und Ihr Verständnis von Algorithmen und Techniken des maschinellen Lernens (ML) verbessert
Hauptmerkmale
⬤ Tiefen Sie ein in die Algorithmen des maschinellen Lernens, um die komplexen Herausforderungen zu lösen, mit denen Datenwissenschaftler heute konfrontiert sind.
⬤ Erforschen Sie die neuesten Inhalte, die Deep Learning und Reinforcement Learning Entwicklungen widerspiegeln.
⬤ Verwenden Sie aktualisierte Python-Bibliotheken wie TensorFlow, PyTorch und scikit-learn, um Machine-Learning-Projekte von Anfang bis Ende zu verfolgen.
Buchbeschreibung
Python Machine Learning By Example, Third Edition dient als umfassender Einstieg in die Welt des maschinellen Lernens (ML).
Mit sechs neuen Kapiteln zu Themen wie der Entwicklung von Filmempfehlungsmaschinen mit Na ve Bayes, der Erkennung von Gesichtern mit Support Vector Machine, der Vorhersage von Börsenkursen mit künstlichen neuronalen Netzen, der Kategorisierung von Bildern von Kleidungsstücken mit konvolutionären neuronalen Netzen, der Vorhersage von Sequenzen mit wiederkehrenden neuronalen Netzen und der Nutzung von Reinforcement Learning für die Entscheidungsfindung wurde das Buch für die neuesten Unternehmensanforderungen erheblich aktualisiert.
Gleichzeitig bietet dieses Buch umsetzbare Einblicke in die wichtigsten Grundlagen von ML mit Python-Programmierung. Hayden nutzt sein Fachwissen, um Implementierungen von Algorithmen in Python zu demonstrieren, sowohl von Grund auf als auch mit Bibliotheken.
Jedes Kapitel führt durch eine in der Industrie übliche Anwendung. Anhand von realistischen Beispielen lernen Sie die Mechanismen von ML-Techniken in Bereichen wie explorative Datenanalyse, Feature Engineering, Klassifizierung, Regression, Clustering und NLP kennen.
Am Ende dieses ML-Python-Buches werden Sie ein umfassendes Bild des ML-Ökosystems gewonnen haben und mit den besten Praktiken der Anwendung von ML-Techniken zur Problemlösung vertraut sein.
Was Sie lernen werden
⬤ Verstehen Sie die wichtigen Konzepte in ML und Data Science.
⬤ Python verwenden, um die Welt des Data Mining und der Analytik zu erkunden.
⬤ Skalieren Sie das Modelltraining mit Apache Spark bei unterschiedlichen Datenkomplexitäten.
⬤ Eintauchen in die Textanalyse und NLP mit Python-Bibliotheken wie NLTK und Gensim.
⬤ Auswahl und Erstellung eines ML-Modells sowie Bewertung und Optimierung seiner Leistung.
⬤ ML-Algorithmen von Grund auf in Python, TensorFlow 2, PyTorch und Scikit-Learn implementieren.
Für wen ist dieses Buch gedacht?
.
Wenn Sie ein Enthusiast des maschinellen Lernens, ein Datenanalytiker oder ein Dateningenieur sind, der sich für das maschinelle Lernen begeistert und mit der Arbeit an maschinellen Lernaufgaben beginnen möchte, ist dieses Buch genau das Richtige für Sie.
Vorkenntnisse in der Python-Programmierung werden vorausgesetzt, und eine grundlegende Vertrautheit mit statistischen Konzepten ist von Vorteil, aber nicht notwendig.
