Avis des lecteurs
Résumé:Ce livre constitue une introduction utile à l'apprentissage automatique, en se concentrant sur la mise en œuvre pratique à l'aide de Python et de la bibliothèque scikit-learn. Il s'adresse aux débutants et aux scientifiques de données juniors qui souhaitent se familiariser avec plusieurs algorithmes et leurs applications. Cependant, le livre a été critiqué pour son organisation et sa profondeur.
Avantages:⬤ Excellent pour les débutants n'ayant pas de connaissances en mathématiques.
⬤ Fournit des exemples pratiques et des applications réelles.
⬤ Se concentre sur la bibliothèque scikit-learn largement utilisée.
⬤ Couvre à la fois les algorithmes d'apprentissage supervisé et non supervisé.
⬤ Offre des explications claires qui aident à comprendre des concepts complexes.
⬤ Convient aux data scientists qui cherchent à améliorer leurs compétences.
⬤ L'organisation du contenu est quelque peu confuse, certains sujets importants étant placés dans le désordre.
⬤ Manque de profondeur dans certains domaines
⬤ Certains concepts et algorithmes importants sont omis.
⬤ Il n'y a pas de glossaire pour la recherche rapide de termes
⬤ On se contente d'un index.
⬤ Suggère qu'il couvre tout, mais ne permet pas de maîtriser complètement le sujet.
(basé sur 4 avis de lecteurs)
Titre original :
Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits: A practical guide to implementing supervised and unsupervised machine lear
Contenu du livre :
Intégrer scikit-learn avec divers outils tels que NumPy, pandas, imbalanced-learn, et scikit-surprise et l'utiliser pour résoudre des problèmes d'apprentissage automatique du monde réel.
Caractéristiques principales
⬤ Ce guide complet de scikit-learn et de Python scientifique vous permettra de vous plonger dans l'apprentissage automatique.
⬤ Maîtrisez l'art de la résolution de problèmes basés sur les données grâce à des exemples pratiques.
⬤ Les résultats de l'analyse des données sont présentés sous forme de tableaux et de graphiques.
Description du livre
L'apprentissage automatique est appliqué partout, de l'entreprise à la recherche et à l'université, tandis que scikit-learn est une bibliothèque polyvalente qui est populaire parmi les praticiens de l'apprentissage automatique. Ce livre est un guide pratique pour tous ceux qui cherchent à fournir des solutions pratiques d'apprentissage automatique avec scikit-learn et les boîtes à outils Python.
Le livre commence par une explication des concepts et des principes fondamentaux de l'apprentissage automatique et établit un équilibre entre les concepts théoriques et leurs applications. Chaque chapitre couvre un ensemble différent d'algorithmes et vous montre comment les utiliser pour résoudre des problèmes réels. Vous découvrirez également divers algorithmes clés d'apprentissage automatique supervisé et non supervisé à l'aide d'exemples pratiques. Qu'il s'agisse d'un algorithme d'apprentissage basé sur les instances, d'une estimation bayésienne, d'un réseau neuronal profond, d'un ensemble basé sur les arbres ou d'un système de recommandation, vous acquerrez une compréhension approfondie de sa théorie et saurez quand l'appliquer. Au fur et à mesure de votre progression, vous apprendrez comment traiter les données non étiquetées et quand utiliser les différents algorithmes de clustering et de détection d'anomalies.
À la fin de ce livre sur l'apprentissage automatique, vous aurez appris à adopter une approche axée sur les données pour fournir des solutions d'apprentissage automatique de bout en bout. Vous aurez également découvert comment formuler le problème, préparer les données nécessaires, évaluer et déployer les modèles en production.
Ce que vous apprendrez
⬤ Comprendre quand utiliser des algorithmes d'apprentissage supervisé, non supervisé ou par renforcement.
⬤ Découvrir comment collecter et préparer vos données pour les tâches d'apprentissage automatique.
⬤ Les données déséquilibrées et l'optimisation de l'algorithme pour un compromis de biais ou de variance.
⬤ Appliquer des algorithmes supervisés et non supervisés pour surmonter les différents défis de l'apprentissage automatique.
⬤ Les algorithmes supervisés et non supervisés pour surmonter les différents défis de l'apprentissage automatique.
⬤ Découvrir comment utiliser les réseaux neuronaux pour la classification et la régression.
⬤ Construire, évaluer et déployer vos solutions d'apprentissage automatique en production.
A qui s'adresse ce livre ?
Ce livre s'adresse aux data scientists, aux praticiens de l'apprentissage automatique et à tous ceux qui souhaitent apprendre comment fonctionnent les algorithmes d'apprentissage automatique et construire différents modèles d'apprentissage automatique à l'aide de l'écosystème Python. Ce livre vous aidera à passer à la vitesse supérieure en matière d'apprentissage automatique en saisissant ses tenants et aboutissants et en l'adaptant à vos besoins. Une connaissance pratique de Python et une compréhension de base des concepts mathématiques et statistiques sous-jacents sont nécessaires.
