Note :
Ce livre est généralement perçu comme un guide pratique et accessible pour les débutants et les utilisateurs intermédiaires dans le domaine de l'apprentissage automatique. Il propose des exemples clairs et des instructions de codage étape par étape. Toutefois, certains lecteurs lui reprochent d'être mal écrit, de manquer d'explications et d'avoir un contenu répétitif.
Avantages:Le livre est convivial et convient aux débutants et aux apprenants de niveau intermédiaire. Il contient des exemples prêts à l'emploi avec des ensembles de données Python standard, des instructions de codage claires et des explications utiles qui améliorent la compréhension des optimisations de données. Il est également très utile pour l'industrie et la recherche.
Inconvénients:Certains commentaires indiquent qu'il est mal écrit, avec un manque d'explications appropriées pour les codes et les modèles, et qu'il contient des formulations répétitives. Il est fait mention de longs extraits de code sans contexte suffisant, ce qui pourrait déconcerter certains lecteurs.
(basé sur 5 avis de lecteurs)
Hands-On Scikit-Learn for Machine Learning Applications: Data Science Fundamentals with Python
Les professionnels de la science des données en herbe peuvent apprendre la bibliothèque Scikit-Learn ainsi que les principes fondamentaux de l'apprentissage automatique grâce à ce livre. Ce livre combine la distribution Python Anaconda et la célèbre bibliothèque Scikit-Learn pour démontrer un large éventail d'algorithmes d'apprentissage automatique supervisé et non supervisé. Les principes de l'apprentissage automatique sont présentés à l'aide d'exemples clairs écrits en Python que vous pouvez essayer et expérimenter chez vous sur votre propre machine.
Toutes les mathématiques appliquées et les compétences en programmation nécessaires pour maîtriser le contenu sont couvertes dans ce livre. Une connaissance approfondie de la programmation orientée objet n'est pas nécessaire car des exemples fonctionnels et complets sont fournis et expliqués. Les exemples de codage sont approfondis et complexes lorsque cela est nécessaire. Ils sont également concis, précis et complets, et complètent les concepts d'apprentissage automatique présentés. L'utilisation des exemples permet d'acquérir les compétences nécessaires pour comprendre et appliquer des algorithmes complexes d'apprentissage automatique.
Hands-on Scikit-Learn for Machine Learning Applications est un excellent point de départ pour ceux qui poursuivent une carrière dans l'apprentissage automatique. Les étudiants de ce livre apprendront les fondamentaux qui sont une condition préalable à la compétence. Les lecteurs seront exposés à la distribution Anaconda de Python qui est conçue spécifiquement pour les professionnels de la science des données, et développeront des compétences dans la bibliothèque populaire Scikit-Learn qui sous-tend de nombreuses applications d'apprentissage automatique dans le monde de Python.
Ce que vous apprendrez
⬤ Travailler avec des ensembles de données simples et complexes communs à Scikit-Learn.
⬤ Manipuler les données sous forme de vecteurs et de matrices pour le traitement algorithmique.
⬤ Se familiariser avec la distribution Anaconda utilisée en science des données.
⬤ Appliquer l'apprentissage automatique avec les classificateurs, les régresseurs et la réduction de la dimensionnalité.
⬤ Régler les algorithmes et trouver les meilleurs algorithmes pour chaque ensemble de données.
⬤ Charger des données et les enregistrer aux formats CSV, JSON, Numpy et Pandas.
A qui s'adresse ce livre ?
L'aspirant data scientist désireux de percer dans le domaine de l'apprentissage automatique en maîtrisant les principes fondamentaux sous-jacents qui sont parfois négligés dans la course à la productivité. Une certaine connaissance de la programmation orientée objet et de l'algèbre linéaire appliquée de base facilitera l'apprentissage, mais tout le monde peut tirer profit de ce livre.
| ISBN : | 9781484253724 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Actuellement disponible, en stock.
