Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data

Recenzii ale cititorilor

Cartea primește recenzii mixte din partea cititorilor, mulți dintre aceștia lăudând abordarea sa practică a învățării nesupravegheate, în timp ce alții îi critică profunzimea, calitatea tehnică și numeroasele erori. Este văzută ca un bun punct de plecare pentru începători, dar deficitară pentru cei care caută cunoștințe aprofundate sau tehnici avansate.

Abordare practică cu aplicații din lumea reală.

Bună pentru cursanții începători și intermediari, oferind exemple clare de cod și explicații.

(pe baza a 34 recenzii ale cititorilor)

Conținutul cărții:

Mulți experți din industrie consideră învățarea nesupravegheată următoarea frontieră în inteligența artificială, una care poate deține cheia inteligenței artificiale generale. Deoarece majoritatea datelor din lume nu sunt etichetate, învățarea supravegheată convențională nu poate fi aplicată. Învățarea nesupravegheată, pe de altă parte, poate fi aplicată seturilor de date neetichetate pentru a descoperi modele semnificative îngropate adânc în date, modele care pot fi aproape imposibil de descoperit de către oameni.

Autorul Ankur Patel vă arată cum să aplicați învățarea nesupravegheată folosind două cadre Python simple, gata de producție: Scikit-learn și TensorFlow folosind Keras. Cu ajutorul codului și al exemplelor practice, cercetătorii de date vor identifica modele greu de găsit în date și vor obține o perspectivă mai profundă asupra afacerii, vor detecta anomalii, vor efectua ingineria și selecția automată a caracteristicilor și vor genera seturi de date sintetice. Pentru a începe, aveți nevoie doar de programare și de puțină experiență în învățarea automată.

⬤ Compararea punctelor forte și a punctelor slabe ale diferitelor abordări de învățare automată: învățare supravegheată, nesupravegheată și prin consolidare.

⬤ Configurați și gestionați proiecte de învățare automată de la un capăt la altul.

⬤ Construiți un sistem de detectare a anomaliilor pentru a depista fraudele cu cărți de credit.

⬤ Grupează utilizatorii în grupuri distincte și omogene.

⬤ Efectuează învățarea semisupervizată.

⬤ Dezvoltarea sistemelor de recomandare a filmelor utilizând mașini Boltzmann restrânse.

⬤ Generarea de imagini sintetice utilizând rețele adversariale generative.