Avis des lecteurs
Résumé:Le livre « Mastering Machine Learning Algorithms » de Giuseppe Bonaccorso est apprécié pour sa couverture complète et détaillée des algorithmes d'apprentissage automatique, des fondements mathématiques et des exemples de codage pratiques. Bien qu'il constitue une excellente référence pour les apprenants de niveau intermédiaire ou avancé, il peut être difficile à comprendre pour les débutants en raison de sa profondeur et des connaissances préalables qu'il requiert.
Avantages:⬤ Couverture complète des différents algorithmes et méthodes d'apprentissage automatique.
⬤ De solides bases mathématiques sont fournies pour une meilleure compréhension.
⬤ Bon équilibre entre la théorie et les exemples de codage pratiques.
⬤ Inclut des sections de lecture complémentaire pour approfondir les connaissances.
⬤ Très apprécié comme ouvrage de référence par les étudiants et les professionnels du secteur.
⬤ Ne convient pas aux débutants
⬤ Nécessite de solides connaissances en apprentissage automatique et en mathématiques.
⬤ Certains utilisateurs l'ont trouvé accablant et quelque peu désorganisé.
⬤ Manque d'exemples de mise en œuvre pratique avec Python
⬤ peut être trop théorique.
⬤ Quelques erreurs mineures ont été relevées dans le contenu.
(basé sur 22 avis de lecteurs)
Titre original :
Mastering Machine Learning Algorithms - Second Edition
Contenu du livre :
Deuxième édition mise à jour et révisée du guide à succès pour explorer et maîtriser les algorithmes les plus importants pour résoudre des problèmes complexes d'apprentissage automatique Caractéristiques principales Mise à jour pour inclure de nouveaux algorithmes et techniques Code mis à jour pour Python 3. 8 & TensorFlow 2. x Nouvelle couverture de l'analyse de régression, de l'analyse des séries temporelles, des modèles d'apprentissage profond et des applications de pointe Description du livre
Mastering Machine Learning Algorithms, Second Edition vous aide à exploiter la puissance réelle des algorithmes d'apprentissage automatique afin de mettre en œuvre des moyens plus intelligents pour répondre aux besoins écrasants de données d'aujourd'hui. Ce guide récemment mis à jour et révisé vous aidera à maîtriser les algorithmes largement utilisés dans les domaines de l'apprentissage semi-supervisé, de l'apprentissage par renforcement, de l'apprentissage supervisé et de l'apprentissage non supervisé.
Vous utiliserez toutes les bibliothèques modernes de l'écosystème Python, y compris NumPy et Keras, pour extraire des caractéristiques de données complexes et variées. Des modèles bayésiens aux modèles de Markov, en passant par l'algorithme de Monte Carlo et les modèles de Markov cachés, ce livre sur l'apprentissage automatique vous apprend à extraire des caractéristiques de vos données, à effectuer une réduction complexe de la dimensionnalité et à former des modèles supervisés et semi-supervisés en utilisant des bibliothèques Python telles que scikit-learn. Vous découvrirez également des applications pratiques pour des techniques complexes telles que l'estimation du maximum de vraisemblance, l'apprentissage de Hebbian et l'apprentissage d'ensemble, et comment utiliser TensorFlow 2.x pour former des réseaux neuronaux profonds efficaces.
À la fin de ce livre, vous serez prêt à mettre en œuvre et à résoudre des problèmes d'apprentissage automatique de bout en bout et des scénarios de cas d'utilisation. Ce que vous apprendrez Comprendre les caractéristiques d'un algorithme d'apprentissage automatique Mettre en œuvre des algorithmes des domaines supervisé, semi-supervisé, non supervisé et RL Apprendre comment la régression fonctionne dans l'analyse des séries temporelles et la prédiction des risques Créer, modéliser et entraîner des modèles probabilistes complexes Regrouper des données de haute dimension et évaluer la précision du modèle Découvrir le fonctionnement des réseaux neuronaux artificiels - les entraîner, les optimiser et les valider Travailler avec des autoencodeurs, des réseaux Hebbian et des GAN À qui s'adresse ce livre ?
Ce livre s'adresse aux professionnels de la science des données qui souhaitent se plonger dans des algorithmes complexes d'apprentissage automatique afin de comprendre comment divers modèles d'apprentissage automatique peuvent être construits. La connaissance de la programmation Python est requise. Table des matières Fondamentaux des modèles d'apprentissage automatique Fonctions de perte et régularisation Introduction à l'apprentissage semi-supervisé Classification semi-supervisée avancée Apprentissage semi-supervisé basé sur les graphes Regroupement et modèles non supervisés Regroupement et modèles non supervisés avancés Regroupement et modèles non supervisés pour le marketing Modèles linéaires généralisés et régression Introduction à l'analyse des séries temporelles Réseaux bayésiens et modèles de Markov cachés Les modèles non supervisés pour le marketing Analyse des séries temporelles Réseaux bayésiens et modèles de Markov cachés Algorithme EM Analyse des composantes et réduction de la dimensionnalité Apprentissage hebbien Principes fondamentaux de l'apprentissage d'ensemble Algorithmes avancés de boosting Modélisation des réseaux neuronaux Optimisation des réseaux neuronaux Réseaux convolutionnels profonds Réseaux neuronaux récurrents Encodeurs automatiques Introduction aux réseaux adversoriaux génératifs Réseaux de croyance profonds Introduction à l'apprentissage par renforcement Algorithmes avancés d'estimation de politiques
Autres informations sur le livre :
| ISBN : | 9781838820299 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
