Recenze čtenářů
Shrnutí:Kniha má smíšené hodnocení, někteří čtenáři ji považují za neužitečnou pro vývojáře, kteří hledají praktické znalosti kódování, zatímco jiní oceňují její teoretický rámec pro pochopení konceptů strojového učení. Výhrady ke srozumitelnosti materiálu a nedostatku příkladů kódování se zdají být výrazné, zejména pro ty, kteří mají zkušenosti s programováním a chtějí strojové učení aplikovat.
Klady:Někteří čtenáři zjistili, že kniha poskytuje dobré teoretické pochopení strojového učení a nabízí vhled do možných problémů při přístupu k ML. Může čtenářům pomoci posoudit, zda jsou na základě svých dosavadních znalostí připraveni se těmito problémy zabývat.
Zápory:Mnozí recenzenti knize vytýkali, že se v ní více diskutuje než kóduje, vysvětlení není dostatečně srozumitelné a neposkytuje dostatek praktických příkladů. Není v ní jasně uvedena potřebná verze Visual Studia pro dokončení cvičení a mnozí se po přečtení cítili spíše zmateni než poučeni.
(na základě 4 hodnocení čtenářů)
Původní název:
Introducing Machine Learning
Obsah knihy:
Zvládněte koncepty strojového učení a vyvíjejte reálná řešení
Strojové učení nabízí obrovské možnosti a Představujeme strojové učení přináší praktické znalosti, jak je co nejlépe využít. Dino a Francesco Esposito začínají stručným přehledem základů umělé inteligence a základních kroků každého projektu strojového učení. Dále představují výkonnou knihovnu Microsoft ML.NET, včetně možností zpracování dat, trénování a vyhodnocování. Představují rodiny algoritmů, které lze trénovat k řešení reálných problémů, a také techniky hlubokého učení využívající neuronové sítě. V závěru autoři představují cenné runtime služby dostupné prostřednictvím cloudové platformy Azure a uvažují o dlouhodobé obchodní vizi strojového učení.
- Dino Esposito a Francesco Esposito, 14násobní MVP společnosti Microsoft, vám pomohou.
- Prozkoumejte, co je známo o tom, jak se lidé učí a jak se vytváří inteligentní software.
- Zjistěte, které problémy může strojové učení řešit.
- Pochopte, jak vypadá potrubí strojového učení: kroky vedoucí k výslednému modelu.
- Použijte AutoML k automatickému výběru nejlepšího pipeline pro jakýkoli problém a datovou sadu.
- Ovládněte ML.NET, implementujte jeho pipeline a aplikujte jeho úlohy a algoritmy.
- Prozkoumejte matematické základy strojového učení.
- Vytvářejte předpovědi, zlepšujte rozhodování a aplikujte pravděpodobnostní metody.
- Seskupujte data pomocí klasifikace a shlukování.
- Seznamte se se základy hlubokého učení, včetně návrhu neuronových sítí.
- Využívejte cloudové služby AI k rychlejšímu vytváření lepších reálných řešení.
O knize
- Pro profesionály, kteří chtějí vytvářet aplikace strojového učení: jak pro vývojáře, kteří potřebují dovednosti v oblasti datové vědy, tak pro datové vědce, kteří potřebují příslušné programátorské dovednosti.
- Obsahuje příklady scénářů kódování strojového učení vytvořených pomocí knihovny ML.NET.
