Avis des lecteurs
Résumé:Le livre sert de référence pratique pour les personnes ayant des connaissances de base en science des données et en apprentissage automatique, en fournissant des exemples de code concis et un traitement approfondi des étapes clés du projet. Cependant, il souffre de problèmes de production et manque de profondeur dans son contenu académique.
Avantages:⬤ Excellent compagnon pour ceux qui ont des connaissances de base en science des données et en Python.
⬤ L'accent est mis sur les implications pratiques et les exemples clairs et concis plutôt que sur un contenu académique dense.
⬤ Les sujets bien segmentés permettent une référence facile.
⬤ Couvre une variété de techniques de ML et présente des bibliothèques récentes comme Yellowbrick.
⬤ Léger et portable pour une référence rapide.
⬤ N'enseigne pas à partir de zéro ; ne convient pas aux débutants.
⬤ Manque de couverture de l'apprentissage profond et de certaines bibliothèques modernes.
⬤ Problèmes de qualité de production avec des graphiques illisibles et des problèmes de reliure.
⬤ Certains évaluateurs ont trouvé qu'il était trop axé sur le code et pas assez sur la théorie mathématique.
(basé sur 13 avis de lecteurs)
Titre original :
Machine Learning Pocket Reference: Working with Structured Data in Python
Contenu du livre :
Avec des notes détaillées, des tableaux et des exemples, cette référence pratique vous aidera à naviguer dans les bases de l'apprentissage automatique structuré. L'auteur, Matt Harrison, propose un guide précieux que vous pouvez utiliser comme support supplémentaire pendant la formation et comme ressource pratique lorsque vous vous plongez dans votre prochain projet d'apprentissage automatique.
Idéal pour les programmeurs, les scientifiques des données et les ingénieurs en IA, ce livre comprend une vue d'ensemble du processus d'apprentissage automatique et vous guide dans la classification avec des données structurées. Vous apprendrez également des méthodes de clustering, de prédiction d'une valeur continue (régression) et de réduction de la dimensionnalité, entre autres.
Cette référence de poche comprend des sections qui couvrent :
⬤ La classification, à l'aide de l'ensemble de données Titanic.
⬤ Le nettoyage des données et le traitement des données manquantes.
⬤ L'analyse des données exploratoires.
⬤ Les étapes courantes de prétraitement à l'aide d'échantillons de données.
⬤ Sélection des caractéristiques utiles au modèle.
⬤ Sélection du modèle.
⬤ Métriques et évaluation de la classification.
⬤ Exemples de régression utilisant le k-voisin le plus proche, les arbres de décision, le boosting, etc.
⬤ Métriques pour l'évaluation de la régression.
⬤ Clustering.
⬤ Réduction de la dimensionnalité.
⬤ Les pipelines de Scikit-learn.
Autres informations sur le livre :
| ISBN : | 9781492047544 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2019 |
| Nombre de pages : | 200 |
Achat:
Actuellement disponible, en stock.
