Recenzii ale cititorilor
Rezumat:Cartea „Mastering Machine Learning Algorithms” de Giuseppe Bonaccorso este lăudată pentru acoperirea cuprinzătoare și detaliată a algoritmilor de învățare automată, a fundamentelor matematice și a exemplelor practice de codare. Deși constituie o referință excelentă pentru cursanții intermediari și avansați, poate fi copleșitoare pentru începători din cauza profunzimii sale și a cunoștințelor anterioare necesare.
Avantaje:⬤ Acoperire cuprinzătoare a diverșilor algoritmi și metode de învățare automată.
⬤ Fundamente matematice solide furnizate pentru o mai bună înțelegere.
⬤ Bun echilibru între teorie și exemple practice de programare.
⬤ Include secțiuni de lectură suplimentară pentru aprofundarea cunoștințelor.
⬤ Foarte apreciată ca carte de referință atât de către studenți, cât și de către profesioniștii din domeniu.
Dezavantaje:⬤ Nu este potrivită pentru începători
⬤ necesită o înțelegere solidă a învățării automate și a matematicii.
⬤ Unii utilizatori au considerat-o copleșitoare și oarecum dezorganizată.
⬤ Lipsă de exemple practice extinse de implementare cu Python
⬤ poate fi prea teoretică.
⬤ Câteva erori minore observate în conținut.
(pe baza a 22 recenzii ale cititorilor)
Titlul original:
Mastering Machine Learning Algorithms - Second Edition
Conținutul cărții:
A doua ediție actualizată și revizuită a celui mai bine vândut ghid pentru explorarea și stăpânirea celor mai importanți algoritmi pentru rezolvarea problemelor complexe de învățare automată Caracteristici cheie Actualizată pentru a include noi algoritmi și tehnici Cod actualizat la Python 3. 8 & TensorFlow 2. x Acoperire nouă a analizei regresiei, analizei seriilor de timp, modelelor de învățare profundă și aplicațiilor de ultimă oră Descrierea cărții
Mastering Machine Learning Algorithms, Second Edition vă ajută să valorificați puterea reală a algoritmilor de învățare automată pentru a implementa modalități mai inteligente de a răspunde nevoilor actuale copleșitoare de date. Acest ghid nou actualizat și revizuit vă va ajuta să stăpâniți algoritmii utilizați pe scară largă în domeniile învățării semisupervizate, învățării prin consolidare, învățării supravegheate și învățării nesupervizate.
Veți utiliza toate bibliotecile moderne din ecosistemul Python - inclusiv NumPy și Keras - pentru a extrage caracteristici din diverse complexități de date. De la modele bayesiene la algoritmul Markov Chain Monte Carlo și până la modelele Markov ascunse, această carte de învățare automată vă învață cum să extrageți caracteristici din setul dvs. de date, să efectuați o reducere complexă a dimensionalității și să antrenați modele supravegheate și semisupravegheate prin utilizarea bibliotecilor bazate pe Python, cum ar fi scikit-learn. Veți descoperi, de asemenea, aplicații practice pentru tehnici complexe, cum ar fi estimarea probabilității maxime, învățarea Hebbian și învățarea în ansamblu, și cum să utilizați TensorFlow 2. x pentru a antrena rețele neuronale profunde eficiente.
Până la sfârșitul acestei cărți, veți fi gata să implementați și să rezolvați probleme de învățare automată de la un capăt la altul și scenarii de utilizare. Ce veți învăța Înțelegeți caracteristicile unui algoritm de învățare automată Implementați algoritmi din domeniile supravegheat, semisupravegheat, nesupravegheat și RL Aflați cum funcționează regresia în analiza seriilor de timp și în predicția riscurilor Creați, modelați și antrenați modele probabilistice complexe Grupați date înalt-dimensionale și evaluați acuratețea modelului Aflați cum funcționează rețelele neuronale artificiale - antrenați-le, optimizați-le și validați-le Lucrați cu autoencodere, rețele Hebbian și GAN Pentru cine este această carte
Această carte este destinată profesioniștilor din domeniul științei datelor care doresc să aprofundeze algoritmii ML complecși pentru a înțelege cum pot fi construite diverse modele de învățare automată. Sunt necesare cunoștințe de programare Python. Table of Contents Fundamentele modelelor de învățare automată Funcții de pierdere și regularizare Introducere în învățarea semisupervisată Clasificare semisupervisată avansată Învățare semisupervisată bazată pe grafuri Clustering și modele nesupervisate Clustering și modele nesupervisate avansate Clustering și modele nesupervisate Clustering și modele nesupervisate pentru marketing Modele liniare generalizate și regresie Introducere în analiza seriilor temporale Rețele Bayesiene și Modele Markov Ascunse Algoritmul EM Analiza componentelor și reducerea dimensionalității Învățarea hebbiană Bazele învățării în ansamblu Algoritmi avansați de stimulare Modelarea rețelelor neuronale Optimizarea rețelelor neuronale Rețele convoluționale profunde Rețele neuronale recurente Auto-codificatoare Introducere în rețelele generatoare adversare Rețele de încredere profunde Introducere în învățarea prin întărire Algoritmi avansați de estimare a politicilor
