Machine Learning Pocket Reference: Lucrul cu date structurate în Python

Recenzii ale cititorilor

Cartea servește drept referință practică pentru persoanele cu unele cunoștințe de bază în știința datelor și învățarea automată, oferind exemple concise de cod și un tratament aprofundat al etapelor cheie ale proiectului. Cu toate acestea, suferă de probleme de producție și este lipsită de profunzime în conținutul academic.

⬤ Excelent companion pentru cei cu unele cunoștințe de bază în știința datelor și Python.
⬤ Se concentrează pe implicațiile practice și pe exemple clare, concise, în detrimentul conținutului academic dens.
⬤ Subiectele bine segmentate permit o referință ușoară.
⬤ Acoperă o varietate de tehnici ML și introduce biblioteci recente precum Yellowbrick.
⬤ Ușoară și portabilă pentru referință rapidă.

⬤ Nu predă de la zero; nu este potrivit pentru începători.
⬤ Lipsă de acoperire a învățării profunde și a unor biblioteci moderne.
⬤ Probleme de calitate a producției cu grafice ilizibile și probleme de legare.
⬤ Unii recenzenți au considerat că se concentrează prea mult pe cod, fără suficientă teorie matematică.

(pe baza a 13 recenzii ale cititorilor)

Titlul original:

Machine Learning Pocket Reference: Working with Structured Data in Python

Conținutul cărții:

Cu note detaliate, tabele și exemple, această referință la îndemână vă va ajuta să parcurgeți elementele de bază ale învățării automate structurate. Autorul Matt Harrison oferă un ghid valoros pe care îl puteți utiliza pentru sprijin suplimentar în timpul instruirii și ca o resursă convenabilă atunci când vă lansați în următorul proiect de învățare automată.

Ideală pentru programatori, cercetători de date și ingineri AI, această carte include o prezentare generală a procesului de învățare automată și vă îndrumă prin clasificarea cu date structurate. Veți învăța, de asemenea, metode de clusterizare, predicție a unei valori continue (regresie) și reducerea dimensionalității, printre alte subiecte.

Această referință de buzunar include secțiuni care acoperă:

⬤ Clasificarea, utilizând setul de date Titanic.

⬤ Curățarea datelor și tratarea datelor lipsă.

⬤ Analiza exploratorie a datelor.

⬤ Etape obișnuite de preprocesare, utilizând exemple de date.

⬤ Selectarea caracteristicilor utile pentru model.

⬤ Selecția modelului.

⬤ Metrica și evaluarea clasificării.

⬤ Exemple de regresie utilizând k-nearest neighbor, arbori de decizie, boosting și altele.

⬤ Metrici pentru evaluarea regresiei.

⬤ Clustering.

⬤ Reducerea dimensionalității.

⬤ Scikit-learn pipelines.