Pro Machine Learning Algorithms : Une approche pratique de l'implémentation d'algorithmes en Python et R

Avis des lecteurs

Résumé:

Ce livre est hautement recommandé pour les débutants et les apprenants avancés en apprentissage automatique. Il démontre efficacement les concepts clés de l'apprentissage automatique en utilisant des outils tels qu'Excel, R et Python, ce qui le rend accessible et compréhensible pour les lecteurs qui n'ont pas de formation en science des données. Le contenu est présenté de manière claire et logique, ce qui facilite la compréhension des algorithmes complexes.

Avantages:

⬤ Explications détaillées des concepts de l'apprentissage automatique
⬤ accessible aux débutants
⬤ utilisation pratique d'outils tels qu'Excel, R et Python
⬤ présentation directe des algorithmes
⬤ adapté aux débutants et aux apprenants avancés
⬤ bon pour la préparation aux entretiens.

Inconvénients:

Certains lecteurs pourraient trouver qu'il manque de profondeur dans les concepts ou techniques mathématiques avancés, car il met l'accent sur l'accessibilité plutôt que sur la complexité.

(basé sur 6 avis de lecteurs)

Titre original :

Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R

Contenu du livre :

Chapitre 1 : Statistiques de baseObjectif du chapitre : Construire les bases statistiques de l'apprentissage automatique Nombre de pages 20Sous-thèmes1. Introduction aux différentes fonctions statistiques1. Introduction aux distributions2. Tests d'hypothèses3. Classes de cas.

Chapitre 2 : Régression linéaire Objectif du chapitre : aider le lecteur à maîtriser la régression linéaire avec la théorie et les concepts pratiquesNombre de pages : 25Sous - thèmes 1. Introduction à la régression 2. La moindre erreur quadratique3. Implémentation de la régression linéaire dans Excel & R & Python4. Mesurer l'erreur.

Chapitre 3 : Régression logistiqueObjectif du chapitre : aider le lecteur à maîtriser la régression logistique avec la théorie et les concepts pratiques Nombre de pages : 25Sous - Sujets : 1. Introduction à la régression logistique 2. Erreur d'entropie croisée3. Implémentation de la régression logistique dans Excel, R et Python4. Calcul de l'aire sous la courbe.

Chapitre 4 : L'arbre de décisionObjectif du chapitre : Aider le lecteur à maîtriser l'arbre de décision avec la théorie et les concepts pratiques Nombre de pages : 40Sous - thèmes : 1. Introduction à l'arbre de décision 2. gain d'information3. Arbre de décision pour la classification et la régression4. Implémentation de l'arbre de décision dans Excel & R & Python5. Mesurer l'erreurChapitre 5 : Forêt aléatoireBut du chapitre : Aider le lecteur à maîtriser les forêts aléatoires avec la théorie et les concepts pratiques Nombre de pages : 15Sous - thèmes : 1. Passer de l'arbre de décision à la forêt aléatoire2. Implémenter les forêts aléatoires dans R & Python en utilisant les fonctionnalités de l'arbre de décision Chapitre 6 : GBMChapitre Objectif : Aider le lecteur à maîtriser GBM avec la théorie et les concepts pratiques No. de pages : 20Sous -Thèmes : Aider le lecteur à maîtriser GBM avec la théorie et les concepts pratiques No. de pages : 15 20Sous - Sujets : 1. Comprendre le processus de boosting de gradient2. Différence entre gradient boost et adaboost3. Implémenter la GBM dans R & Python en utilisant les fonctionnalités de l'arbre de décision Chapitre 7 : Réseau neuronalObjectif du chapitre : aider le lecteur à maîtriser le réseau neuronal avec la théorie et les concepts pratiquesNo de pages : 30Sous - Sujets : 1. Propagation vers l'avant2. Propagation à rebours3. Impact des époques et du taux d'apprentissage4. Implémentation d'un réseau neuronal dans Excel, R et Python Chapitre 8 : Réseau neuronal convolutif Objectif du chapitre : aider le lecteur à maîtriser le réseau neuronal convolutif avec la théorie et les concepts pratiquesNombre de pages : 30Sous - thèmes : 1. Passer du NN au CNN2. Paramètres clés du CNN3. Implémenter le CNN dans Excel et Python.

Chapitre 9 : RNNObjectif du chapitre : aider le lecteur à maîtriser les RNN avec la théorie et les concepts pratiquesNo de pages : 25Sous - thèmes : 1. Nécessité des RNN2. Variantes clés des RNN3 &nb.

Autres informations sur le livre :

• ISBN : 9781484235638
• Auteur : Kishore Ayyadevara V.
• Éditeur : Apress
• Reliure : Broché