Apprentissage automatique : Maîtriser les algorithmes d'apprentissage supervisé et non supervisé à l'aide d'exemples réels

Avis des lecteurs

Résumé:

Le livre vise à fournir une introduction simple et concise à l'apprentissage automatique, la rendant accessible aux débutants. Il comprend des exercices pratiques et couvre différents sujets, mais certains utilisateurs le trouvent trop basique et peu approfondi.

Avantages:

Le livre explique les concepts de l'apprentissage automatique d'une manière simple et concise, adaptée aux débutants. Il contient de nombreux exercices résolus et des applications pratiques, ce qui en fait un bon achat pour les apprenants débutants.

Inconvénients:

De nombreux utilisateurs estiment que le contenu est trop basique et manque de profondeur ; il n'explique pas le fonctionnement interne des modèles d'apprentissage automatique. Certains lecteurs considèrent qu'il s'agit davantage d'un cahier d'exercices en raison de l'accent mis sur les questions et les réponses, ce qui les amène à souhaiter des explications plus détaillées, en particulier pour des concepts tels que la régression linéaire.

(basé sur 4 avis de lecteurs)

Titre original :

Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples

Contenu du livre :

DESCRIPTION

Ce livre offre aux lecteurs les concepts fondamentaux des techniques d'apprentissage automatique dans un langage convivial. Il vise à donner une connaissance approfondie des différents algorithmes d'apprentissage automatique et de la mise en œuvre pratique des différentes approches d'apprentissage automatique.

Ce livre couvre différents algorithmes d'apprentissage automatique supervisé tels que le modèle de régression linéaire, l'arbre de décision du classificateur de Nave Bayes, les K-voisins les plus proches, la régression logistique, la machine à vecteur de support, les algorithmes de forêt aléatoire, les algorithmes d'apprentissage automatique non supervisé tels que le clustering par k-means, le clustering hiérarchique, Algorithme d'Apriori, algorithme de croissance f-p, modèle de mélange gaussien et algorithmes d'apprentissage par renforcement tels que le processus de décision de Markov (MDP), les équations de Bellman, l'évaluation de la politique à l'aide de Monte Carlo, l'itération de la politique et l'itération de la valeur, l'apprentissage Q, l'état-action-récompense-état-action (SARSA). Il inclut également diverses techniques d'extraction et de sélection de caractéristiques, le système de recommandation et un bref aperçu de l'apprentissage profond.

À la fin de ce livre, le lecteur pourra comprendre les concepts de l'apprentissage automatique et mettre facilement en œuvre divers algorithmes d'apprentissage automatique pour résoudre des problèmes réels.

CE QUE VOUS APPRENDREZ

● Effectuer des techniques d'extraction et de sélection de caractéristiques.

● Apprendre à sélectionner le meilleur algorithme d'apprentissage automatique pour un problème donné.

● S'aguerrir à l'utilisation de bibliothèques Python populaires telles que Scikit-learn, pandas et matplotlib.

● S'entraîner à mettre en œuvre différents types de techniques d'apprentissage automatique.

● Apprenez à connaître les réseaux de neurones artificiels ainsi que l'algorithme de rétropropagation.

● Faire usage de divers systèmes recommandés avec des algorithmes puissants.

À QUI S'ADRESSE CE LIVRE

Ce livre est conçu pour les étudiants en science des données et en analytique, les académiciens et les chercheurs qui veulent explorer les concepts de l'apprentissage automatique et pratiquer la compréhension de cas réels. Des connaissances de base en statistique et en programmation sont souhaitables, mais pas obligatoires.

Autres informations sur le livre :

• ISBN : 9789391392352
• Auteur : Dr Kamal Kant Hiran Ruchi Doshi
• Éditeur : Bpb Pubn
• Langue : anglais
• Reliure : Broché