Apprendimento automatico per principianti - 2a edizione

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Machine Learning for Beginners - 2nd Edition

Contenuto del libro:

Imparate a costruire una pipeline completa di apprendimento automatico padroneggiando l'estrazione delle caratteristiche, la selezione delle caratteristiche e l'addestramento degli algoritmi.

Caratteristiche principali

Sviluppare una solida comprensione dei principi fondamentali dell'apprendimento automatico.

Padroneggiare i metodi di regressione e classificazione per un'accurata previsione e categorizzazione dei dati nell'apprendimento automatico.

Approfondire gli argomenti avanzati dell'apprendimento automatico, tra cui l'apprendimento non supervisionato e l'apprendimento profondo.

Descrizione

La seconda edizione di “Machine Learning for Beginners” affronta concetti e argomenti chiave dell'apprendimento automatico.

Il libro inizia con un'introduzione ai principi fondamentali dell'apprendimento automatico, seguita da una discussione sulla pre-elaborazione dei dati. Si addentra poi nell'estrazione e nella selezione delle caratteristiche, fornendo una copertura completa di varie tecniche come la trasformata di Fourier, la trasformata di Fourier di breve durata e i modelli binari locali. In seguito, il libro tratta l'analisi delle componenti principali e l'analisi discriminante lineare. Successivamente, il libro affronta i temi della rappresentazione del modello, dell'addestramento, del test e della convalida incrociata. Il libro pone l'accento sulla regressione e sulla classificazione, spiegando e implementando metodi come la discesa del gradiente. Vengono inoltre discusse in dettaglio le tecniche di classificazione essenziali, tra cui k-nearest neighbors, regressione logistica e naive Bayes. Il libro presenta poi una panoramica delle reti neurali, compreso il loro background biologico, i limiti del perceptron e il modello di backpropagation. Vengono inoltre trattate le macchine a vettori di supporto e i metodi kernel. Vengono discussi anche gli alberi decisionali e i modelli di ensemble. L'ultima sezione del libro fornisce un approfondimento sull'apprendimento non supervisionato e sul deep learning, offrendo ai lettori una panoramica completa di questi argomenti avanzati.

Alla fine del libro, sarete ben preparati a esplorare e applicare l'apprendimento automatico in vari scenari del mondo reale.

Cosa imparerete

Acquisire le competenze necessarie per preparare efficacemente i dati per le attività di apprendimento automatico.

Imparare a implementare algoritmi di apprendimento da zero.

Sfruttare la potenza di scikit-learn per implementare in modo efficiente gli algoritmi più comuni.

Familiarizzare con i vari metodi di selezione ed estrazione delle caratteristiche.

Imparare a implementare gli algoritmi di clustering.

A chi è rivolto questo libro

Questo libro si rivolge sia agli studenti di Informatica che ai professionisti che desiderano entrare nell'affascinante regno del Machine Learning, partendo da una conoscenza di base di Python.

Indice dei contenuti

Sezione I: Fondamenti

1. Introduzione al Machine Learning

2. L'inizio: Pre-elaborazione dei dati

3. Selezione delle caratteristiche

4. Estrazione delle caratteristiche

5. Sviluppo del modello

Sezione II: Apprendimento supervisionato

6. Regressione

7. K-Nearest Neighbors

8. Classificazione: Regressione logistica e classificatore Naïve Bayes

9. Rete neurale I: Il percettore

10. Rete neurale II: il perceptron multistrato

11. Macchine vettoriali di supporto

12. Alberi decisionali

13. Introduzione all'apprendimento insiemistico

Sezione III: Apprendimento non supervisionato e apprendimento profondo

14. Raggruppamento

15. Apprendimento profondo

Appendice 1: Glossario

Appendice 2: Metodi e tecniche

Appendice 3: Metriche e formule importanti

Appendice 4: Visualizzazione - Matplotlib

Risposte alle domande a scelta multipla

Bibliografia