Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R

Recenzii ale cititorilor

Cartea este foarte recomandată atât pentru începători, cât și pentru cursanții avansați de învățare automată. Aceasta demonstrează în mod eficient conceptele cheie de învățare automată utilizând instrumente precum Excel, R și Python, făcând-o accesibilă și ușor de înțeles pentru cititorii care nu au cunoștințe de știința datelor. Conținutul este prezentat într-o manieră clară și logică, făcând algoritmii complecși mai ușor de înțeles.

⬤ Explicații detaliate ale conceptelor de machine learning
⬤ accesibil pentru începători
⬤ utilizare practică a unor instrumente precum Excel, R și Python
⬤ prezentare directă a algoritmilor
⬤ potrivit atât pentru începători, cât și pentru avansați
⬤ bun pentru pregătirea pentru interviu.

Unii cititori ar putea considera că îi lipsește profunzimea în ceea ce privește conceptele sau tehnicile matematice avansate, deoarece pune accentul pe accesibilitate în detrimentul complexității.

(pe baza a 6 recenzii ale cititorilor)

Conținutul cărții:

Capitolul 1: Statistică de bazăObiectivul capitolului: Construirea bazei statistice pentru învățarea automată Nr. de pagini 20Sub -teme1. Introducere în diverse funcții statistice1. Introducere în distribuții2. Testarea ipotezelor3. Clase de caz.

Capitolul 2: Regresia liniară Scopul capitolului: Ajută cititorul să stăpânească regresia liniară cu teoria și conceptele practiceNr. de pagini 25Sub - Subiecte 1. Introducere în regresie 2. Cea mai mică eroare pătratică3. Implementarea regresiei liniare în Excel & R & Python4. Măsurarea erorii.

Capitolul 3: Regresia logisticăObiectivul capitolului: Ajută cititorul să stăpânească regresia logistică cu ajutorul conceptelor teoretice și practice Nr. de pagini: 25Sub - Subiecte: 1. Introducere în regresia logistică 2. Eroarea de entropie încrucișată3. Implementarea regresiei logistice în Excel & R & Python4. Calcularea ariei de sub curbă.

Capitolul 4: Arborele de decizieObiectivul capitolului: Ajută cititorul să stăpânească arborele de decizie cu teoria și conceptele practice Număr de pagini: 40Sub - Subiecte: 1. Introducere în arborele decizional 2. Câștigul de informație3. Arborele decizional pentru clasificare & regresie4. Implementarea arborelui decizional în Excel & R & Python5. Măsurarea eroriiCapitolul 5: Pădurea aleatorieObiectivul capitolului: Ajută cititorul să stăpânească pădurile aleatorii cu teoria & conceptele practice Nr. de pagini: 15Sub - Subiecte: 1. Trecerea de la arborele de decizie la pădurile aleatorii2. Implementarea pădurii aleatorii în R & Python folosind funcționalitățile arborelui decizional Capitolul 6: GBMCScopul capitolului: Ajută cititorul să stăpânească GBM cu teoria & conceptele practice Nr. de pagini: 1: 20Sub - Subiecte: 1. Înțelegerea procesului de gradient boosting2. Diferența dintre gradient boost & adaboost3. Implementarea GBM în R & Python folosind funcționalitățile arborelui de decizie Capitolul 7: Rețeaua neuronalăObiectivul capitolului: Ajută cititorul să stăpânească rețeaua neuronală cu teoria și conceptele practiceNumăr de pagini: 1: 30Sub - Subiecte: 1. Propagarea înainte2. Propagarea înapoi3. Impactul epocilor și al ratei de învățare4. Implementarea rețelei neuronale în Excel, R și Python Capitolul 8: Rețeaua neuronală convoluționalăObiectivul capitolului: Ajută cititorul să stăpânească CNN cu teoria și conceptele practiceNumăr de pagini: Nr: 30Sub - Subiecte: 1. Trecerea de la NN la CNN2. Parametrii cheie în cadrul CNN3. Implementarea CNN în Excel și Python.

Capitolul 9: RNNObiectivul capitolului: Ajută cititorul să stăpânească RNN cu teoria și conceptele practiceNumăr de pagini: 25Sub - Subiecte: 1. Necesitatea RNN2. Variații cheie ale RNN3. &nb.