Machine Learning: Master Algoritmi de învățare supervizată și nesupervizată cu exemple reale

Recenzii ale cititorilor

Cartea își propune să ofere o introducere simplă și concisă în învățarea automată, făcând-o accesibilă pentru începători. Cartea include exerciții practice și acoperă diverse subiecte, însă unii utilizatori o consideră prea elementară și lipsită de profunzime.

Cartea explică conceptele învățării automate într-o manieră simplă și concisă, potrivită pentru începători. Are multe exerciții rezolvate și aplicații practice, ceea ce o face o achiziție bună pentru cursanții începători.

Mulți utilizatori consideră că conținutul este prea elementar și lipsit de profunzime; nu explică modul în care funcționează intern modelele de învățare automată. Unii cititori o consideră mai degrabă un manual de lucru datorită accentului pus pe întrebări și răspunsuri, lăsându-i să dorească explicații mai detaliate, în special pentru concepte precum regresia liniară.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples

Conținutul cărții:

DESCRIERE

Cartea oferă cititorilor conceptele fundamentale ale tehnicilor de Machine Learning într-un limbaj ușor de utilizat. Cartea își propune să ofere o cunoaștere aprofundată a diferiților algoritmi de Machine Learning (ML) și implementarea practică a diferitelor abordări ML.

Această carte acoperă diferiți algoritmi de învățare a mașinilor supervizate, cum ar fi modelul de regresie liniară, clasificatorul Nave Bayes Arborele de decizie, vecinul cel mai apropiat K, regresia logistică, mașina vectorială de sprijin, algoritmi de pădure aleatoare, algoritmi de învățare a mașinilor nesupervizate, cum ar fi clustering k-means, clustering ierarhic, clustering probabilistic, extragerea regulilor de asociere, algoritmul Apriori, algoritmul de creștere f-p, modelul de amestec gaussian și algoritmul de învățare prin consolidare, cum ar fi procesul decizional Markov (MDP), ecuațiile Bellman, evaluarea politicii utilizând Monte Carlo, iterația politicii și iterația valorii, Q-Learning, State-Action-Reward-State-Action (SARSA). Cartea include, de asemenea, diverse tehnici de extragere și selecție a caracteristicilor, sistemul de recomandare și o scurtă prezentare a învățării profunde.

Până la sfârșitul acestei cărți, cititorul poate înțelege conceptele Machine Learning și poate implementa cu ușurință diverși algoritmi ML pentru probleme din lumea reală.

CE VEȚI ÎNVĂȚA

● Realizarea tehnicilor de extragere și selectare a caracteristicilor.

● Învățați să selectați cel mai bun algoritm de învățare automată pentru o anumită problemă.

● Obțineți o bază în utilizarea bibliotecilor Python populare precum Scikit-learn, pandas și matplotlib.

● Exersați cum să implementați diferite tipuri de tehnici de învățare automată.

● Învățați despre rețeaua neuronală artificială împreună cu algoritmul Back Propagation.

● Utilizați diverse sisteme recomandate cu algoritmi puternici.

PENTRU CINE ESTE ACEASTĂ CARTE

Această carte este concepută pentru studenții la știința datelor și analiză, academicienii și cercetătorii care doresc să exploreze conceptele de învățare automată și să practice înțelegerea cazurilor reale. Cunoașterea conceptelor statistice și de programare de bază ar fi bună, deși nu este obligatorie.