Algoritmi di apprendimento automatico: Un approccio pratico all'implementazione di algoritmi in Python e R

Recensioni dei lettori

Il libro è altamente raccomandato sia per i principianti che per gli studenti avanzati dell'apprendimento automatico. Dimostra efficacemente i concetti chiave dell'apprendimento automatico utilizzando strumenti come Excel, R e Python, rendendoli accessibili e comprensibili anche ai lettori che non hanno una formazione in scienze dei dati. I contenuti sono presentati in modo chiaro e logico, rendendo gli algoritmi complessi più facili da comprendere.

⬤ Spiegazioni dettagliate dei concetti di apprendimento automatico
⬤ accessibile ai principianti
⬤ uso pratico di strumenti come Excel, R e Python
⬤ presentazione chiara degli algoritmi
⬤ adatto sia ai principianti che agli studenti avanzati
⬤ ottimo per la preparazione ai colloqui.

Alcuni lettori potrebbero ritenere che manchi di profondità nei concetti o nelle tecniche matematiche avanzate, poiché enfatizza l'accessibilità rispetto alla complessità.

(basato su 6 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Capitolo 1: Statistiche di baseObiettivo del capitolo: costruire le basi statistiche per l'apprendimento automatico N. di pagine 20Sub-argomenti1. Introduzione alle varie funzioni statistiche1. Introduzione alle distribuzioni2. Test d'ipotesi3. Casi di studio.

Capitolo 2: Regressione lineare Obiettivo del capitolo: aiutare il lettore a padroneggiare la regressione lineare con la teoria e i concetti praticiNumero di pagine: 25Sub - Argomenti 1. Introduzione alla regressione 2. Errore ai minimi quadrati3. Implementazione della regressione lineare in Excel, R e Python4. Misurazione dell'errore.

Capitolo 3: Regressione logisticaObiettivo del capitolo: aiutare il lettore a padroneggiare la regressione logistica con la teoria e i concetti pratici N. di pagine: 25Sub - Argomenti: 1. Introduzione alla regressione logistica 2. Errore di entropia incrociata3. Implementazione della regressione logistica in Excel, R e Python4. Calcolo dell'area sotto la curva.

Capitolo 4: Albero decisionaleObiettivo del capitolo: aiutare il lettore a padroneggiare l'albero decisionale con la teoria e i concetti pratici N. di pagine: 40Sub - Argomenti: 1. Introduzione all'albero decisionale 2. Guadagno di informazioni3. Albero decisionale per la classificazione e la regressione4. Implementazione dell'albero decisionale in Excel, R e Python5. Misurazione dell'erroreCapitolo 5: Foresta casualeObiettivo del capitolo: aiutare il lettore a padroneggiare le foreste casuali con la teoria e i concetti pratici N. di pagine: 15Sub - Argomenti: 1. Passare dagli alberi decisionali alle foreste casuali2. Implementare la foresta casuale in R e Python utilizzando le funzionalità dell'albero decisionale Capitolo 6: GBMCobiettivo del capitolo: aiutare il lettore a padroneggiare la GBM con la teoria e i concetti pratici N. di pagine: 20Sub - Argomenti: 1. Comprendere il processo di gradient boosting2. Differenza tra gradient boost e adaboost3. Implementare GBM in R e Python utilizzando le funzionalità dell'albero decisionale Capitolo 7: Rete neuraleObiettivo del capitolo: aiutare il lettore a padroneggiare la rete neurale con la teoria e i concetti praticiNumero di pagine: 30Sub - Argomenti: 1. Propagazione in avanti2. Propagazione all'indietro3. Impatto delle epoche e del tasso di apprendimento4. Implementare la rete neurale in Excel, R e Python Capitolo 8: Rete neurale convoluzionaleObiettivo del capitolo: aiutare il lettore a padroneggiare la CNN con la teoria e i concetti praticiNumero di pagine: 30Sub - Argomenti: 1. Passaggio dalla NN alla CNN2. Parametri chiave della CNN3. Implementazione della CNN in Excel e Python.

Capitolo 9: RNNObiettivo del capitolo: aiutare il lettore a padroneggiare la RNN con la teoria e i concetti praticiNumero di pagine: 25Argomenti secondari: 1. Necessità della RNN2. Variazioni chiave della RNN3. &nb.