Bewertung:
Das Buch bietet eine gut abgerundete Einführung in das maschinelle Lernen mit Python, die ein Gleichgewicht zwischen Theorie und praktischem Programmieren schafft. Es ist besonders für Personen mit mittleren Kenntnissen in Statistik und Programmierung von Vorteil, obwohl es aufgrund seiner Komplexität für absolute Anfänger nicht geeignet ist. Viele Nutzer schätzen die klaren Erklärungen, die visuellen Hilfen und die praktischen Beispiele der Autoren, während einige das Buch für seine steile Lernkurve und die unzureichenden Details in einigen Bereichen kritisieren.
Vorteile:⬤ Hervorragende Erklärungen und Visualisierungen
⬤ starke mathematische Beweise
⬤ umfassende Abdeckung von Techniken des maschinellen Lernens
⬤ für fortgeschrittene Benutzer geeignet
⬤ praktische Beispiele mit Python-Code
⬤ wertvolle Hinweise aus den Erfahrungen der Autoren
⬤ dient als nützliche Referenz für Problemlösungen im maschinellen Lernen.
⬤ Nicht einsteigerfreundlich
⬤ steile Lernkurve
⬤ für manche Benutzer schwer verdaulich
⬤ gelegentliche Probleme mit der Druckqualität
⬤ Probleme mit der Benutzerfreundlichkeit des Kindle-Formats
⬤ zu starke Konzentration auf lineare Algebra ohne einfache Erklärungen
⬤ einige Inhalte sind möglicherweise veraltet oder es fehlt ihnen an Tiefe in bestimmten Bereichen.
(basierend auf 107 Leserbewertungen)
Python Machine Learning, Second Edition: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow
Erschließen Sie sich moderne maschinelle Lern- und Deep-Learning-Techniken mit Python, indem Sie die neuesten und modernsten Open-Source-Python-Bibliotheken verwenden.
Hauptmerkmale
⬤ Zweite Auflage des Bestsellers über maschinelles Lernen.
⬤ Ein praktischer Ansatz für die wichtigsten Frameworks in den Bereichen Data Science, maschinelles Lernen und Deep Learning.
⬤ Nutzen Sie die leistungsfähigsten Python-Bibliotheken, um maschinelles Lernen und Deep Learning zu implementieren.
⬤ Lernen Sie die besten Praktiken kennen, um Ihre maschinellen Lernsysteme und Algorithmen zu verbessern und zu optimieren.
Buchbeschreibung
.
Anmerkung des Herausgebers: Diese Ausgabe aus dem Jahr 2017 ist veraltet und nicht mit TensorFlow 2 oder den neuesten Updates der Python-Bibliotheken kompatibel. Eine neue, für 2020 aktualisierte dritte Auflage mit TensorFlow 2 und den neuesten Entwicklungen in Scikit-Learn, Reinforcement Learning und GANs ist jetzt erschienen.
Maschinelles Lernen erobert die Software-Welt, und Deep Learning erweitert nun das maschinelle Lernen. Verstehen und arbeiten Sie an der Spitze des maschinellen Lernens, der neuronalen Netze und des Deep Learning mit dieser zweiten Auflage des Bestsellers Python Machine Learning von Sebastian Raschka. Unter Verwendung der Open-Source-Bibliotheken von Python bietet dieses Buch das praktische Wissen und die Techniken, die Sie benötigen, um maschinelles Lernen, Deep Learning und moderne Datenanalyse zu entwickeln und zu unterstützen.
Die zweite Auflage von Python Machine Learning wurde vollständig erweitert und modernisiert und enthält nun die beliebte Deep-Learning-Bibliothek TensorFlow 1.x. Der Code von scikit-learn wurde ebenfalls vollständig auf v0. 18 aktualisiert. 1 aktualisiert, um Verbesserungen und Ergänzungen zu dieser vielseitigen Bibliothek für maschinelles Lernen aufzunehmen.
Sebastian Raschka und Vahid Mirjalili führen Sie mit ihrem einzigartigen Fachwissen von Grund auf in die Algorithmen des maschinellen Lernens und des Deep Learning ein und zeigen Ihnen anhand von realistischen und interessanten Beispielen, wie Sie diese auf praktische Herausforderungen der Industrie anwenden können. Am Ende des Buches werden Sie bereit sein, die neuen Möglichkeiten der Datenanalyse zu nutzen.
Wenn Sie die erste Ausgabe dieses Buches gelesen haben, werden Sie sich über die Ausgewogenheit zwischen klassischen Ideen und modernen Erkenntnissen zum maschinellen Lernen freuen. Jedes Kapitel wurde kritisch aktualisiert, und es gibt neue Kapitel über Schlüsseltechnologien. Sie werden in der Lage sein, TensorFlow 1.x tiefer als je zuvor zu erlernen und damit zu arbeiten, und Sie erhalten eine grundlegende Abdeckung der Keras-Bibliothek für neuronale Netze, zusammen mit Aktualisierungen zu scikit-learn 0.18. 1.
(Was Sie lernen werden)
⬤ Verstehen Sie die wichtigsten Frameworks im Bereich Data Science, maschinelles Lernen und Deep Learning.
⬤ Nutzen Sie die Leistungsfähigkeit der neuesten Python Open-Source-Bibliotheken für maschinelles Lernen.
⬤ Erforschen Sie Techniken des maschinellen Lernens anhand von anspruchsvollen realen Daten.
⬤ Beherrschen Sie die Implementierung von tiefen neuronalen Netzen mit der TensorFlow 1.x Bibliothek.
⬤ Lernen Sie die Mechanismen von Klassifizierungsalgorithmen kennen, um das beste Werkzeug für die jeweilige Aufgabe zu implementieren.
⬤ Vorhersage von kontinuierlichen Zielergebnissen mittels Regressionsanalyse.
⬤ Verborgene Muster und Strukturen in Daten mit Clustering aufdecken.
⬤ Vertiefen Sie Ihre Kenntnisse über Text- und Social-Media-Daten mit Hilfe der Stimmungsanalyse.
Für wen ist dieses Buch gedacht?
Wenn Sie Python beherrschen und sich mit maschinellem Lernen und Deep Learning beschäftigen wollen, sollten Sie sich dieses Buch zulegen. Ganz gleich, ob Sie bei Null anfangen oder Ihr Wissen über maschinelles Lernen erweitern wollen, dieses Buch ist eine unverzichtbare Ressource, die Sie nicht verpassen sollten. Dieses Buch wurde für Entwickler und Datenwissenschaftler geschrieben, die praktischen Code für maschinelles Lernen und Deep Learning erstellen wollen. Es ist ideal für Entwickler und Datenwissenschaftler, die Computern beibringen wollen, wie sie aus Daten lernen können.
| ISBN: | 9781787125933 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2017 |
| Seitenzahl: | 622 |
Derzeit verfügbar, auf Lager.
