Leserbewertungen
Zusammenfassung:Das Buch wird als leicht zugängliche Einführung in das maschinelle Lernen mit Python und insbesondere mit der Bibliothek scikit-learn hoch gelobt. Es bietet einen praktischen Ansatz, der sich eher auf die Anwendung und praktische Erfahrung als auf tiefes theoretisches Wissen konzentriert, was es ideal für Anfänger macht.
Vorteile:Gut geschrieben und leicht zu folgen, praktischer Ansatz mit starkem Fokus auf die Verwendung von scikit-learn, deckt verschiedene populäre Algorithmen des maschinellen Lernens ab, enthält praktische Übungen und Beispiele aus der Praxis, gut für Anfänger, die ein grundlegendes Verständnis und eine schnelle Einführung in das maschinelle Lernen wünschen.
Nachteile:Fehlt eine eingehende Untersuchung der mathematischen oder statistischen Konzepte hinter den Algorithmen, könnte zu grundlegend für diejenigen sein, die ein theoretisches Verständnis des maschinellen Lernens suchen.
(basierend auf 6 Leserbewertungen)
Originaltitel:
The Machine Learning Workshop - Second Edition: Get ready to develop your own high-performance machine learning algorithms with scikit-learn
Inhalt des Buches:
Ein umfassender und schrittweiser Ansatz zum Verständnis des maschinellen Lernens.
Hauptmerkmale
⬤ Entdecken Sie, wie Sie die einheitliche API von scikit-learn auf alle Arten von maschinellen Lernmodellen anwenden können.
⬤ Verstehen Sie den Unterschied zwischen überwachten und unüberwachten Lernmodellen.
⬤ Vertiefen Sie Ihr Verständnis der Konzepte des maschinellen Lernens durch die Arbeit an realen Beispielen.
Buchbeschreibung
Algorithmen des maschinellen Lernens sind ein integraler Bestandteil fast aller modernen Anwendungen. Um den Lernprozess schneller und genauer zu gestalten, benötigen Sie ein Werkzeug, das flexibel und leistungsstark genug ist, um Ihnen bei der schnellen und einfachen Erstellung von Algorithmen für maschinelles Lernen zu helfen. Mit The Machine Learning Workshop beherrschen Sie die scikit-learn-Bibliothek und werden kompetent in der Entwicklung cleverer maschineller Lernalgorithmen.
Der Workshop zum maschinellen Lernen beginnt mit einer Demonstration der Funktionsweise von unüberwachten und überwachten Lernalgorithmen durch die Analyse eines realen Datensatzes von Großhandelskunden. Sobald Sie die Grundlagen beherrschen, entwickeln Sie mit scikit-learn ein künstliches neuronales Netz und verbessern dessen Leistung durch die Feinabstimmung von Hyperparametern. Gegen Ende des Workshops werden Sie den Datensatz der Marketingaktivitäten einer Bank untersuchen und Modelle des maschinellen Lernens erstellen, die Kunden auflisten können, die wahrscheinlich ein Festgeld abschließen werden. Sie werden auch lernen, wie Sie diese Modelle vergleichen und das optimale Modell auswählen können.
Am Ende des Workshops zum maschinellen Lernen werden Sie nicht nur den Unterschied zwischen überwachten und unüberwachten Modellen und deren Anwendungen in der realen Welt kennengelernt haben, sondern auch die notwendigen Fähigkeiten entwickelt haben, um mit der Programmierung Ihrer eigenen maschinellen Lernalgorithmen zu beginnen.
Was Sie lernen werden
⬤ Verstehen Sie, wie Sie einen Algorithmus auswählen, der am besten zu Ihrem Datensatz und dem gewünschten Ergebnis passt.
⬤ Erforschen Sie beliebte Algorithmen aus der Praxis wie K-means, Mean-Shift und DBSCAN.
⬤ Entdecken Sie verschiedene Ansätze zur Lösung von Klassifikationsproblemen beim maschinellen Lernen.
⬤ Entwickeln Sie Strukturen neuronaler Netze mit dem scikit-learn-Paket.
⬤ Nutzen Sie den NN-Algorithmus, um Modelle für die Vorhersage zukünftiger Ergebnisse zu erstellen.
⬤ Durchführen von Fehleranalysen zur Verbesserung der Leistung Ihres Modells.
Für wen ist dieses Buch gedacht?
Der Workshop zum maschinellen Lernen ist perfekt für Anfänger im maschinellen Lernen geeignet. Sie benötigen Erfahrung in der Python-Programmierung, obwohl keine Vorkenntnisse über scikit-learn und maschinelles Lernen erforderlich sind.
Weitere Daten des Buches:
| ISBN: | 9781839219061 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
