The Unsupervised Learning Workshop: Vydejte se na cestu k algoritmům neřízeného učení a zjednodušte si neorganizovaná data, abyste mohli v budoucnu predikovat.

Recenze čtenářů

Kniha poskytuje dobře strukturovaný úvod do neřízeného učení a zpřístupňuje složitá témata i začátečníkům. Zahrnuje různé algoritmy a techniky se zaměřením na praktické aplikace a pro lepší pochopení obsahuje ukázky kódu.

⬤ Dobře napsaná a srozumitelná
⬤ obsahuje praktické příklady a úryvky kódu
⬤ pokrývá širokou škálu metod nekontrolovaného učení
⬤ vhodná pro začátečníky
⬤ obsahuje vizualizace pro usnadnění porozumění.

⬤ Některá teoretická vysvětlení postrádají hloubku
⬤ příklady kódu mohou být neúplné
⬤ pro pokročilé uživatele mohou být příliš základní
⬤ délka knihy může působit zdrcujícím dojmem
⬤ menší zaměření na detaily tréninku a optimalizace.

(na základě 6 hodnocení čtenářů)

Původní název:

The Unsupervised Learning Workshop: Get started with unsupervised learning algorithms and simplify your unorganized data to help make future predictio

Obsah knihy:

Naučit se používat neřízené algoritmy na neoznačených souborech dat od nuly může být jednodušší, než jste si mysleli, díky tomuto workshopu pro začátečníky, který obsahuje zajímavé příklady a aktivity

Klíčové vlastnosti

⬤ Seznamte se s ekosystémem neřízených algoritmů.

⬤ Naučte se zajímavé metody pro zjednodušení velkého množství neorganizovaných dat.

⬤ Připravte se na skutečné výzvy, jako je odhad hustoty obyvatelstva v určité zeměpisné oblasti.

Popis knihy

Připadá vám obtížné pochopit, jak populární společnosti jako WhatsApp a Amazon nacházejí cenné poznatky z velkého množství neorganizovaných dat? Seminář Unsupervised Learning vám dodá jistotu, že si poradíte s nepřehlednými a neoznačenými soubory dat pomocí nesupervisovaných algoritmů snadným a interaktivním způsobem.

Kniha začíná představením nejoblíbenějších shlukovacích algoritmů neřízeného učení. Zjistíte, jak se hierarchické shlukování liší od k-means, spolu s pochopením, jak aplikovat DBSCAN na velmi složitá a zašuměná data. Dále budete používat autoenkodéry pro efektivní kódování dat.

Postupně budete využívat modely t-SNE k extrakci velkorozměrových informací do nižší dimenze pro lepší vizualizaci a dále budete pracovat s tematickým modelováním pro implementaci zpracování přirozeného jazyka (NLP). V pozdějších kapitolách budete hledat klíčové vztahy mezi zákazníky a podniky pomocí analýzy tržního koše a poté přejdete k použití analýzy hotspotů pro odhad hustoty obyvatelstva v dané oblasti.

Na konci této knihy budete vybaveni dovednostmi, které potřebujete k použití neřízených algoritmů na nepřehledných souborech dat, abyste našli užitečné vzory a poznatky.

Co se naučíte

⬤ Rozlišovat mezi hierarchickým shlukováním a algoritmem k-means.

⬤ Pochopit proces hledání shluků v datech.

⬤ Pochopit zajímavé techniky pro zmenšení objemu dat.

⬤ Používat autoenkodéry k dekódování dat.

⬤ Extrahovat text z velké kolekce dokumentů pomocí tematického modelování.

⬤ Vytvořit model typu bag-of-words pomocí CountVectorizer.

Pro koho je tato kniha určena

Pokud jste datový vědec, který právě začíná a chce se naučit implementovat algoritmy strojového učení pro tvorbu prediktivních modelů, pak je tato kniha určena právě vám. Pro urychlení procesu učení se doporučuje důkladná znalost programovacího jazyka Python, protože budete upravovat třídy a funkce, místo abyste je vytvářeli od začátku.