La scienza dei dati in termini profani: Apprendimento automatico

Titolo originale:

Data Science in Layman's Terms: Machine Learning

Contenuto del libro:

L'apprendimento automatico è stato uno dei campi in più rapida crescita nell'ultimo decennio. Le macchine in grado di apprendere stanno entrando a far parte della nostra vita quotidiana. Le macchine che mostrano intelligenza e capacità di apprendimento sono alimentate dalla matematica e dagli algoritmi. Questi argomenti non devono essere difficili. Questo libro insegna una comprensione di base di tutto ciò che riguarda l'apprendimento automatico, in modo che i data scientist principianti o di livello intermedio possano ampliare le loro competenze e che gli intellettuali curiosi possano acquisire una comprensione del campo.

Questo libro fornisce una panoramica completa dell'apprendimento automatico. Si basa sulle informazioni presentate dal suo predecessore, Data Science in Layman's Terms: Statistics. Il libro è in equilibrio tra un tutorial di facile lettura e un libro di testo ad alta intensità teorica, presentando prima le idee, concettualmente, ad alto livello, e poi immergendosi nei dettagli e nella matematica. Ogni capitolo è accompagnato da esempi pratici con Python e R, ove possibile. Il materiale della prima metà del libro è organizzato in modo lineare: ogni capitolo si basa sulle conoscenze dei capitoli precedenti. La seconda metà del libro esplora i sottocampi dell'apprendimento automatico, come l'elaborazione del linguaggio naturale, la computer vision, l'apprendimento per rinforzo e la scienza delle reti.

Alcune delle applicazioni pratiche che imparerete da questo libro sono:

- Costruire un agente simulato che gioca senza istruzioni e vederlo imparare a giocare da solo.

- Applicare il riconoscimento facciale a foto e video in tempo reale.

- Eseguire analisi del paniere di mercato e clustering per migliorare l'efficacia del marketing o l'esperienza di acquisto dei clienti.

- Identificare musica simile, utilizzando solo il suono.

- Generare volti di personaggi anime dall'aspetto realistico.

- Identificare argomenti astratti in documenti di testo e analizzare come cambia il sentiment su diversi argomenti nel tempo.

- Prevedere coppie di persone che potrebbero presto collegarsi in una rete sociale ed esplorare come le reti cambiano nel tempo.

- Convertire scansioni o immagini di documenti in testo.

- Imparate a costruire reti neurali con Keras e a sondarle con TensorBoard per individuare i possibili miglioramenti.

Il repository GitHub che accompagna questo libro è disponibile all'indirizzo: https: //github.com/nlinc1905/dsilt-ml-code.