Recenze čtenářů
Shrnutí:Kniha „Mastering Machine Learning Algorithms“ od Giuseppe Bonaccorsa je oceňována pro své komplexní a podrobné pokrytí algoritmů strojového učení, matematických základů a praktických příkladů kódování. Zatímco pro středně pokročilé a pokročilé studenty slouží jako vynikající příručka, pro začátečníky může být kvůli své hloubce a požadovaným předchozím znalostem zdrcující.
Klady:⬤ Komplexní pokrytí různých algoritmů a metod strojového učení.
⬤ Silné matematické základy pro lepší pochopení.
⬤ Dobrá rovnováha mezi teorií a praktickými příklady kódování.
⬤ Zahrnuje části s další literaturou pro prohloubení znalostí.
⬤ Vysoce ceněná referenční kniha jak studenty, tak profesionály v oboru.
Zápory:⬤ Není vhodná pro začátečníky
⬤ vyžaduje solidní znalosti strojového učení a matematiky.
⬤ Někteří uživatelé ji považovali za ohromující a poněkud nepřehlednou.
⬤ Chybí rozsáhlé praktické příklady implementace v jazyce Python
⬤ může být příliš teoretická.
⬤ V obsahu bylo zaznamenáno několik drobných chyb.
(na základě 22 hodnocení čtenářů)
Původní název:
Mastering Machine Learning Algorithms - Second Edition
Obsah knihy:
Aktualizované a přepracované druhé vydání nejprodávanějšího průvodce zkoumáním a zvládnutím nejdůležitějších algoritmů pro řešení složitých problémů strojového učení Klíčové vlastnosti Aktualizováno o nové algoritmy a techniky Kód aktualizován na Python 3. 8 a TensorFlow 2. x Nové pokrytí regresní analýzy, analýzy časových řad, modelů hlubokého učení a špičkových aplikací Popis knihy
Kniha Mastering Machine Learning Algorithms, Second Edition vám pomůže využít skutečnou sílu algoritmů strojového učení s cílem implementovat chytřejší způsoby, jak uspokojit dnešní ohromující potřeby v oblasti dat. Tato nově aktualizovaná a přepracovaná příručka vám pomůže zvládnout algoritmy široce používané v oblastech polopřímého učení, posilování učení, učení pod dohledem a učení bez dohledu.
Budete používat všechny moderní knihovny z ekosystému Pythonu - včetně NumPy a Keras - k extrakci vlastností z různě složitých dat. Od bayesovských modelů přes algoritmus Markovova řetězce Monte Carlo až po skryté Markovovy modely vás tato kniha o strojovém učení naučí, jak extrahovat rysy ze souboru dat, provádět komplexní redukci dimenzionality a trénovat řízené a polosupervisované modely s využitím knihoven založených na Pythonu, jako je scikit-learn. Objevíte také praktické aplikace složitých technik, jako je odhad maximální věrohodnosti, hebbovské učení a učení v souboru, a dozvíte se, jak používat TensorFlow 2.x k trénování efektivních hlubokých neuronových sítí.
Na konci této knihy budete připraveni implementovat a řešit komplexní problémy strojového učení a scénáře případů použití. Co se naučíte Pochopíte vlastnosti algoritmu strojového učení Implementujte algoritmy z domén s dohledem, částečně dohledem, bez dohledu a RL Zjistěte, jak funguje regrese při analýze časových řad a predikci rizik Vytvářejte, modelujte a trénujte složité pravděpodobnostní modely Shlukujte data s vysokou dimenzí a vyhodnocujte přesnost modelů Zjistěte, jak fungují umělé neuronové sítě - trénujte je, optimalizujte a ověřujte Práce s autoenkodéry, Hebbovými sítěmi a GAN Komu je tato kniha určena?
Tato kniha je určena odborníkům na datovou vědu, kteří chtějí proniknout do složitých algoritmů ML a pochopit, jak lze vytvářet různé modely strojového učení. Vyžaduje se znalost programování v jazyce Python. Obsah Základy modelů strojového učení Ztrátové funkce a regularizace Úvod do poloprovozního učení Pokročilá poloprovozní klasifikace Poloprovozní učení na bázi grafů Shlukování a neřízené modely Pokročilé shlukování a neřízené modely Shlukování a neřízené modely pro marketing Zobecněné lineární modely a regrese Úvod do časového Analýza řad Bayesovské sítě a skryté Markovovy modely Algoritmus EM Analýza komponent a redukce dimenzionality Hebbovské učení Základy učení souborů Pokročilé boostovací algoritmy Modelování neuronových sítí Optimalizace neuronových sítí Hluboké konvoluční sítě Rekurentní neuronové sítě Automatické enkodéry Úvod do generativních adverzních sítí Hluboké věroučné sítě Úvod do posilovacího učení Pokročilé algoritmy pro odhadování politik
