Avis des lecteurs
Résumé:Ce livre est une ressource pratique pour ceux qui s'intéressent à l'apprentissage automatique, en particulier avec Python. Il fournit une introduction accessible à divers concepts d'apprentissage automatique en mettant l'accent sur des exemples pratiques et des implémentations de code. Cependant, il a été critiqué pour sa couverture superficielle des théories mathématiques et pour certaines erreurs de codage. Bien qu'il soit un bon complément à des textes plus théoriques, il peut ne pas suffire aux débutants complets en apprentissage automatique ou en Python.
Avantages:⬤ Approche pratique avec des exemples étape par étape
⬤ couvre les bibliothèques Python populaires
⬤ segments de code bien expliqués
⬤ bon pour ceux qui ont des connaissances préalables en ML
⬤ inclut des applications du monde réel
⬤ style d'écriture agréable
⬤ fournit des meilleures pratiques utiles.
⬤ Peu de théorie et de profondeur mathématique
⬤ certains exemples de code comportent des erreurs
⬤ peut ne pas convenir à des débutants complets en ML ou en Python
⬤ problèmes de composition signalés
⬤ certaines explications manquent de contexte
⬤ données et exigences obsolètes.
(basé sur 20 avis de lecteurs)
Titre original :
Python Machine Learning by Example - Third Edition: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn
Contenu du livre :
Un guide complet pour vous mettre au courant des derniers développements de l'apprentissage machine pratique avec Python et améliorer votre compréhension des algorithmes et des techniques d'apprentissage machine (ML).
Caractéristiques principales
⬤ Partez à la découverte des algorithmes d'apprentissage automatique pour résoudre les défis complexes auxquels sont confrontés les scientifiques de données aujourd'hui.
⬤ Les algorithmes d'apprentissage automatique permettent de résoudre les défis complexes auxquels sont confrontés les scientifiques des données aujourd'hui.
⬤ Utilisez les bibliothèques Python mises à jour telles que TensorFlow, PyTorch et scikit-learn pour suivre les projets d'apprentissage automatique de bout en bout.
Description du livre
Python Machine Learning By Example, troisième édition, est une porte d'entrée complète dans le monde de l'apprentissage machine (ML).
Avec six nouveaux chapitres, sur des sujets tels que le développement d'un moteur de recommandation de films avec Na ve Bayes, la reconnaissance de visages avec une machine à vecteur de support, la prédiction des prix des actions avec des réseaux neuronaux artificiels, la catégorisation d'images de vêtements avec des réseaux neuronaux convolutifs, la prédiction avec des séquences en utilisant des réseaux neuronaux récurrents, et l'exploitation de l'apprentissage par renforcement pour prendre des décisions, le livre a été considérablement mis à jour pour répondre aux dernières exigences des entreprises.
En même temps, ce livre fournit des informations pratiques sur les principes fondamentaux de la ML avec la programmation Python. Hayden met à profit son expertise pour démontrer l'implémentation d'algorithmes en Python, à la fois à partir de zéro et à l'aide de bibliothèques.
Chaque chapitre traite d'une application adoptée par l'industrie. À l'aide d'exemples réalistes, vous comprendrez les mécanismes des techniques de ML dans des domaines tels que l'analyse exploratoire des données, l'ingénierie des caractéristiques, la classification, la régression, le clustering et le NLP.
A la fin de ce livre ML Python, vous aurez acquis une vue d'ensemble de l'écosystème du ML et serez bien informé sur les meilleures pratiques d'application des techniques de ML pour résoudre les problèmes.
Ce que vous apprendrez
⬤ Comprendre les concepts importants de la ML et de la science des données.
⬤ Utiliser Python pour explorer le monde de l'exploration des données et de l'analyse.
⬤ Les modèles d'apprentissage à grande échelle en utilisant des données de complexité variée avec Apache Spark.
⬤ Approfondir l'analyse de texte et le NLP en utilisant des bibliothèques Python telles que NLTK et Gensim.
⬤ Sélectionnez et construisez un modèle de ML et évaluez et optimisez sa performance.
⬤ Les algorithmes de ML sont implémentés à partir de zéro en Python, TensorFlow 2, PyTorch, et scikit-learn.
A qui s'adresse ce livre
.
Si vous êtes un passionné de l'apprentissage automatique, un analyste de données ou un ingénieur de données passionné par l'apprentissage automatique et que vous souhaitez commencer à travailler sur des missions d'apprentissage automatique, ce livre est fait pour vous.
Une connaissance préalable du codage Python est supposée et une familiarité de base avec les concepts statistiques sera bénéfique, bien qu'elle ne soit pas nécessaire.
