Apprendimento automatico: Padroneggiare gli algoritmi di apprendimento supervisionati e non supervisionati con esempi reali

Recensioni dei lettori

Il libro si propone di fornire un'introduzione semplice e concisa all'apprendimento automatico, rendendolo accessibile ai principianti. Include esercizi pratici e copre vari argomenti, ma alcuni utenti lo trovano troppo basilare e poco approfondito.

Il libro spiega i concetti di apprendimento automatico in modo semplice e conciso, adatto ai principianti. Presenta molti esercizi risolti e applicazioni pratiche, che lo rendono un buon acquisto per gli studenti principianti.

Molti utenti ritengono che il contenuto sia troppo elementare e poco approfondito; non spiega come funzionano internamente i modelli di apprendimento automatico. Alcuni lettori lo considerano più un libro di lavoro a causa dell'attenzione alle domande e alle risposte, e desiderano spiegazioni più dettagliate, soprattutto per concetti come la regressione lineare.

(basato su 4 recensioni dei lettori)

Titolo originale:

Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples

Contenuto del libro:

DESCRIZIONE

Il libro offre ai lettori i concetti fondamentali delle tecniche di Machine Learning in un linguaggio facile da usare. Il libro si propone di fornire una conoscenza approfondita dei diversi algoritmi di Machine Learning (ML) e l'implementazione pratica dei vari approcci di ML.

Il libro tratta diversi algoritmi di Machine Learning supervisionati, come il modello di regressione lineare, il classificatore di Nave Bayes, l'albero decisionale, il K-nearest neighbor, la regressione logistica, la Support Vector Machine, gli algoritmi di Random Forest, gli algoritmi di Machine Learning non supervisionati, come il clustering k-means, il clustering gerarchico, Clustering probabilistico, Association rule mining, algoritmo Apriori, algoritmo di crescita f-p, modello a miscela gaussiana e algoritmi di Reinforcement Learning come Markov Decision Process (MDP), equazioni di Bellman, valutazione delle politiche tramite Monte Carlo, iterazione delle politiche e iterazione dei valori, Q-Learning, State-Action-Reward-State-Action (SARSA). Include anche varie tecniche di estrazione e selezione delle caratteristiche, il Recommender System e una breve panoramica del Deep Learning.

Alla fine di questo libro, il lettore potrà comprendere i concetti di Machine Learning e implementare facilmente vari algoritmi di ML a problemi reali.

COSA IMPARERETE

Eseguire tecniche di estrazione e selezione delle caratteristiche.

Imparare a selezionare il miglior algoritmo di apprendimento automatico per un determinato problema.

Imparare a utilizzare le librerie Python più diffuse, come Scikit-learn, pandas e matplotlib.

Esercitarsi a implementare diversi tipi di tecniche di apprendimento automatico.

Imparare a conoscere le reti neurali artificiali e l'algoritmo di retropropagazione.

Utilizzare vari sistemi consigliati con potenti algoritmi.

PER CHI È QUESTO LIBRO

Questo libro è pensato per gli studenti di scienze dei dati e di analisi, per gli accademici e per i ricercatori che desiderano esplorare i concetti di apprendimento automatico ed esercitarsi nella comprensione di casi reali. La conoscenza di concetti di base di statistica e programmazione è utile, anche se non obbligatoria.