Bewertung:
Das Buch dient als praktisches Nachschlagewerk für Personen, die bereits über einige Grundkenntnisse in den Bereichen Datenwissenschaft und maschinelles Lernen verfügen, und bietet prägnante Codebeispiele und eine gründliche Behandlung der wichtigsten Projektschritte. Allerdings leidet es unter Produktionsproblemen und es fehlt ihm an Tiefe im akademischen Inhalt.
Vorteile:⬤ Ausgezeichneter Begleiter für diejenigen, die über ein gewisses Hintergrundwissen in Data Science und Python verfügen.
⬤ Konzentriert sich auf praktische Implikationen und klare, prägnante Beispiele statt auf dichte akademische Inhalte.
⬤ Gut segmentierte Themen ermöglichen ein einfaches Nachschlagen.
⬤ Deckt eine Vielzahl von ML-Techniken ab und stellt aktuelle Bibliotheken wie Yellowbrick vor.
⬤ Leichtgewichtig und portabel für schnelles Nachschlagen.
⬤ Lehrt nicht von Grund auf; nicht für Anfänger geeignet.
⬤ Fehlende Abdeckung von Deep Learning und einigen modernen Bibliotheken.
⬤ Probleme bei der Produktionsqualität mit unlesbaren Graphen und Bindungsproblemen.
⬤ Einige Rezensenten fanden, dass es sich zu sehr auf den Code konzentriert, ohne genügend mathematische Theorie.
(basierend auf 13 Leserbewertungen)
Machine Learning Pocket Reference: Working with Structured Data in Python
Mit detaillierten Hinweisen, Tabellen und Beispielen hilft Ihnen dieses handliche Nachschlagewerk, sich in den Grundlagen des strukturierten maschinellen Lernens zurechtzufinden. Der Autor Matt Harrison liefert einen wertvollen Leitfaden, den Sie als zusätzliche Unterstützung beim Training und als praktische Ressource für Ihr nächstes maschinelles Lernprojekt nutzen können.
Dieses Buch ist ideal für Programmierer, Datenwissenschaftler und KI-Ingenieure. Es enthält einen Überblick über den Prozess des maschinellen Lernens und führt Sie durch die Klassifizierung mit strukturierten Daten. Außerdem lernen Sie unter anderem Methoden zum Clustering, zur Vorhersage eines kontinuierlichen Wertes (Regression) und zur Reduzierung der Dimensionalität kennen.
Dieses Taschenbuch enthält Abschnitte zu folgenden Themen:
⬤ Klassifizierung unter Verwendung des Titanic-Datensatzes.
⬤ Bereinigung von Daten und Umgang mit fehlenden Daten.
⬤ Explorative Datenanalyse.
⬤ Gängige Vorverarbeitungsschritte anhand von Beispieldaten.
⬤ Auswahl nützlicher Merkmale für das Modell.
⬤ Modellauswahl.
⬤ Metriken und Klassifikationsauswertung.
⬤ Regressionsbeispiele mit k-nearest neighbor, Entscheidungsbäumen, Boosting und mehr.
⬤ Metriken für die Regressionsauswertung.
⬤ Clustering.
⬤ Dimensionalitätsreduktion.
⬤ Scikit-Learn-Pipelines.
| ISBN: | 9781492047544 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 200 |
Derzeit verfügbar, auf Lager.
