Bewertung:
Das Buch ist ein praktischer Leitfaden für das maschinelle Lernen, der sowohl für Anfänger als auch für diejenigen mit einiger Erfahrung geeignet ist. Es bietet zwar klare Erklärungen und einen starken Fokus auf anwendbare Algorithmen, aber einige Leser haben das Gefühl, dass bestimmte Inhalte zu kurz behandelt werden.
Vorteile:Exzellente Klarheit und praktischer Fokus für die Implementierung von Algorithmen des maschinellen Lernens.
Nachteile:Relevant und aktuell mit aktuellen Anwendungen.
(basierend auf 5 Leserbewertungen)
Python Machine Learning Cookbook: 100 recipes that teach you how to perform various machine learning tasks in the real world
100 Rezepte, die Ihnen zeigen, wie Sie verschiedene Aufgaben des maschinellen Lernens in der realen Welt durchführen können.
Hauptmerkmale
⬤ Verstehen Sie mit Hilfe dieses spannenden, rezeptbasierten Leitfadens, welche Algorithmen in einem bestimmten Kontext zu verwenden sind.
⬤ Lernen Sie etwas über Perceptrons und sehen Sie, wie sie zum Aufbau neuronaler Netze verwendet werden.
⬤ Stecken Sie fest, wenn Sie Bilder, Text, Sprache und Immobilien sinnvoll nutzen wollen? Dieser Leitfaden wird Ihnen helfen, indem er Ihnen zeigt, wie Sie maschinelles Lernen für jeden dieser Bereiche mit verschiedenen Techniken durchführen können.
Buchbeschreibung
Maschinelles Lernen wird in der modernen datengesteuerten Welt immer allgegenwärtiger. Es wird in vielen Bereichen wie Suchmaschinen, Robotik, selbstfahrenden Autos und vielen mehr eingesetzt.
In diesem Buch lernen Sie, wie Sie verschiedene Aufgaben des maschinellen Lernens in unterschiedlichen Umgebungen durchführen können. Wir beginnen mit einer Reihe von realen Szenarien, in denen maschinelles Lernen eingesetzt werden kann, und sehen uns verschiedene Bausteine an. Im Laufe des Buches werden Sie eine Vielzahl von Algorithmen für maschinelles Lernen verwenden, um reale Probleme zu lösen, und Python zur Implementierung dieser Algorithmen einsetzen.
Sie erfahren, wie man mit verschiedenen Datentypen umgeht, und lernen die Unterschiede zwischen Paradigmen des maschinellen Lernens kennen, z. B. überwachtes und unüberwachtes Lernen. Wir behandeln auch eine Reihe von Regressionstechniken, Klassifizierungsalgorithmen, prädiktive Modellierung, Datenvisualisierungstechniken, Empfehlungsmaschinen und mehr mit Hilfe von Beispielen aus der Praxis.
Was Sie lernen werden
⬤ Klassifizierungsalgorithmen kennenlernen und auf das Problem der Einkommensgruppenschätzung anwenden.
⬤ Nutzen Sie prädiktive Modellierung und wenden Sie sie auf reale Probleme an.
⬤ Verstehen, wie man Marktsegmentierung mit unüberwachtem Lernen durchführt.
⬤ Erforschen Sie Datenvisualisierungstechniken, um auf vielfältige Weise mit Ihren Daten zu interagieren.
⬤ Erfahren Sie, wie man eine Empfehlungsmaschine erstellt.
⬤ Verstehen Sie, wie Sie mit Textdaten interagieren und Modelle zu deren Analyse erstellen können.
⬤ Arbeiten Sie mit Sprachdaten und erkennen Sie gesprochene Wörter mithilfe von Hidden Markov Models.
⬤ Analysieren Sie Börsendaten mit Hilfe von Conditional Random Fields.
⬤ Mit Bilddaten arbeiten und Systeme zur Bilderkennung und biometrischen Gesichtserkennung erstellen.
⬤ Verstehen, wie man tiefe neuronale Netze verwendet, um ein optisches Zeichenerkennungssystem aufzubauen.
| ISBN: | 9781786464477 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
