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

Recenze čtenářů

Čtenáři knihu hodnotí různě, mnozí chválí její praktický přístup k učení bez dohledu, jiní kritizují její hloubku, technickou kvalitu a četné chyby. Je považována za dobrý výchozí bod pro začátečníky, ale chybí těm, kteří hledají hluboké znalosti nebo pokročilé techniky.

Praktický přístup s reálnými aplikacemi.

Dobrá pro začátečníky až středně pokročilé, poskytuje jasné příklady kódu a vysvětlení.

(na základě 34 hodnocení čtenářů)

Obsah knihy:

Mnozí odborníci z oboru považují učení bez dohledu za další hranici umělé inteligence, která může být klíčem k obecné umělé inteligenci. Vzhledem k tomu, že většina světových dat je neoznačená, nelze použít konvenční učení pod dohledem. Naopak neřízené učení lze aplikovat na neoznačené soubory dat a objevit tak smysluplné vzory ukryté hluboko v datech, které mohou být pro člověka téměř nemožné odhalit.

Autor Ankur Patel vám ukáže, jak aplikovat neřízené učení pomocí dvou jednoduchých, produkčně připravených frameworků Pythonu: Scikit-learn a TensorFlow s využitím Keras. Díky kódu a praktickým příkladům budou datoví vědci schopni identifikovat v datech obtížně nalezitelné vzory a získat hlubší obchodní vhled, odhalovat anomálie, provádět automatickou tvorbu a výběr příznaků a vytvářet syntetické datové sady. K tomu, abyste mohli začít, potřebujete pouze programování a nějaké zkušenosti se strojovým učením.

⬤ Srovnejte silné a slabé stránky různých přístupů strojového učení: učení pod dohledem, učení bez dohledu a posilování.

⬤ Nastavit a řídit projekty strojového učení od začátku do konce.

⬤ Sestavte systém detekce anomálií pro zachycení podvodů s kreditními kartami.

⬤ Sdružuje uživatele do samostatných a homogenních skupin.

⬤ Provádí učení s částečným dohledem.

⬤ Vyvíjet systémy doporučování filmů pomocí omezených Boltzmannových strojů.

⬤ Generovat syntetické obrazy pomocí generativních adversariálních sítí.