Avis des lecteurs
Résumé:Ce livre est un guide complet et convivial pour les débutants, axé sur le nettoyage des données et la préparation à l'apprentissage automatique. Il propose des exercices pratiques, des idées précieuses et des techniques concrètes qui manquent souvent dans d'autres ressources. Bien qu'il soit très apprécié pour ses explications claires et ses exemples utiles, il semblerait qu'il manque de profondeur sur certains sujets avancés.
Avantages:⬤ Explications complètes et claires des techniques de nettoyage et de préparation des données.
⬤ Exercices pratiques et exemples de code disponibles sur GitHub.
⬤ Idéal pour les débutants et sert de référence solide pour les utilisateurs expérimentés.
⬤ Style d'écriture engageant et accessible ; on a l'impression d'être en présence d'une conversation.
⬤ Se concentre sur les techniques les plus utiles qui permettent d'obtenir des résultats dans le domaine de l'apprentissage automatique.
⬤ Manque de profondeur dans les sujets avancés tels que l'apprentissage profond et l'analyse des erreurs.
⬤ Certains lecteurs souhaiteraient disposer d'une boîte à outils plus large pour les applications de modélisation complexes.
⬤ Se concentre davantage sur le contenu de niveau débutant, ce qui peut ne pas satisfaire les scientifiques des données plus expérimentés à la recherche d'idées avancées.
(basé sur 7 avis de lecteurs)
Titre original :
Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly
Contenu du livre :
Découvrez des techniques d'apprentissage automatique surpuissantes pour prendre soin de vos données.
Caractéristiques principales :
⬤ Apprendre à préparer les données pour les processus d'apprentissage automatique.
⬤ Comprendre quels algorithmes sont basés sur les objectifs de prédiction et les propriétés des données.
⬤ Découvrez comment interpréter et évaluer les résultats de l'apprentissage automatique.
Description du livre :
De nombreuses personnes qui savent comment exécuter des algorithmes d'apprentissage automatique n'ont pas une bonne idée des hypothèses statistiques qu'ils font et de la manière dont les propriétés des données correspondent à l'algorithme pour obtenir les meilleurs résultats.
Dans ce livre, les modèles sont soigneusement choisis pour vous aider à comprendre les données sous-jacentes, notamment l'importance et la corrélation des caractéristiques, ainsi que la distribution des caractéristiques et des cibles. Les deux premières parties du livre vous présentent les techniques de préparation des données pour les algorithmes de ML, sans hésiter à utiliser certaines techniques de ML pour le nettoyage des données, y compris la détection des anomalies et la sélection des caractéristiques. Le livre vous aide ensuite à appliquer ces connaissances à une grande variété de tâches de ML. Vous comprendrez les algorithmes supervisés et non supervisés les plus courants, comment préparer les données pour eux et comment les évaluer. Ensuite, vous construirez des modèles et comprendrez les relations dans vos données, tout en effectuant des tâches de nettoyage et d'exploration de ces données. Vous progresserez rapidement dans l'étude de la distribution des variables, l'identification des anomalies et l'examen des relations bivariées, car vous vous concentrerez davantage sur la précision des prédictions dans ce livre.
À la fin de cet ouvrage, vous serez en mesure de traiter des problèmes de données complexes à l'aide d'algorithmes de ML non supervisés tels que l'analyse en composantes principales et le regroupement par k-moyennes.
Ce que vous apprendrez :
⬤ Explorer les techniques essentielles de nettoyage et d'exploration des données à utiliser avant d'exécuter les algorithmes d'apprentissage automatique les plus populaires.
⬤ Comprendre comment effectuer le prétraitement et la sélection des caractéristiques, et comment configurer les données pour le test et la validation.
⬤ Modéliser des cibles continues avec des algorithmes d'apprentissage supervisé.
⬤ Modéliser des cibles binaires et multiclasses avec des algorithmes d'apprentissage supervisé.
⬤ Exécuter le regroupement et la réduction des dimensions avec des algorithmes d'apprentissage non supervisé.
⬤ Comprendre comment utiliser les arbres de régression pour modéliser une cible continue.
A qui s'adresse ce livre :
Ce livre s'adresse aux professionnels de la science des données, en particulier ceux qui en sont à leurs premières années de carrière, ou aux analystes plus expérimentés qui sont relativement novices en matière d'apprentissage automatique. Les lecteurs doivent avoir une connaissance préalable des concepts statistiques généralement enseignés dans un cours d'introduction de premier cycle, ainsi qu'une expérience de niveau débutant dans la manipulation de données par programme.
Autres informations sur le livre :
| ISBN : | 9781803241678 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
