Kapesní příručka strojového učení: Práce se strukturovanými daty v Pythonu

Recenze čtenářů

Kniha slouží jako praktická příručka pro jednotlivce s určitými základními znalostmi v oblasti datové vědy a strojového učení a poskytuje stručné příklady kódu a důkladné zpracování klíčových kroků projektu. Trpí však produkčními problémy a postrádá hloubku akademického obsahu.

⬤ Výborný společník pro osoby s určitými základními znalostmi v oblasti datové vědy a jazyka Python.
⬤ Zaměřuje se na praktické důsledky a jasné, stručné příklady namísto hutného akademického obsahu.
⬤ Přehledně členěná témata umožňují snadné odkazování.
⬤ Pokrývá různé techniky ML a představuje nejnovější knihovny, jako je Yellowbrick.
⬤ Lehké a přenosné pro rychlou referenci.

⬤ Nevyučuje od nuly; není vhodná pro začátečníky.
⬤ Chybí pokrytí hlubokého učení a některých moderních knihoven.
⬤ Problémy s kvalitou produkce, nečitelné grafy a problémy s vazbami.
⬤ Někteří recenzenti ji považovali za příliš zaměřenou na kód bez dostatečného množství matematické teorie.

(na základě 13 hodnocení čtenářů)

Původní název:

Machine Learning Pocket Reference: Working with Structured Data in Python

Obsah knihy:

Tato praktická příručka s podrobnými poznámkami, tabulkami a příklady vám pomůže zorientovat se v základech strukturovaného strojového učení. Autor Matt Harrison přináší cennou příručku, kterou můžete využít jako dodatečnou podporu při školení a jako praktický zdroj informací, až se vrhnete do dalšího projektu strojového učení.

Tato kniha, která je ideální pro programátory, datové vědce a inženýry umělé inteligence, obsahuje přehled procesu strojového učení a provede vás klasifikací se strukturovanými daty. Seznámíte se také mimo jiné s metodami shlukování, předpovídání spojité hodnoty (regrese) a snižování dimenzionality.

Tato kapesní příručka obsahuje části, které se zabývají:

⬤ Klasifikace s využitím datové sady Titanic.

⬤ Čištění dat a práce s chybějícími daty.

⬤ Explorativní analýza dat.

⬤ Obvyklé kroky předzpracování s využitím vzorových dat.

⬤ Výběr prvků užitečných pro model.

⬤ Výběr modelu.

⬤ Metriky a hodnocení klasifikace.

⬤ Příklady regrese s využitím k-nejbližšího souseda, rozhodovacích stromů, boostingu a dalších.

⬤ Metriky pro vyhodnocení regrese.

⬤ Klastrování.

⬤ Snížení dimenzionality.

⬤ Scikit-learn pipelines.