Machine Learning Pocket Reference: Lavorare con i dati strutturati in Python

Recensioni dei lettori

Il libro è un riferimento pratico per chi ha una conoscenza di base della scienza dei dati e dell'apprendimento automatico, in quanto fornisce esempi di codice concisi e una trattazione approfondita delle fasi chiave del progetto. Tuttavia, soffre di problemi di produzione e manca di profondità nei contenuti accademici.

⬤ Eccellente compagno per coloro che hanno una certa conoscenza di base della scienza dei dati e di Python.
⬤ Si concentra sulle implicazioni pratiche e su esempi chiari e concisi piuttosto che su un denso contenuto accademico.
⬤ Gli argomenti ben suddivisi consentono una facile consultazione.
⬤ Copre una varietà di tecniche di ML e introduce librerie recenti come Yellowbrick.
⬤ Leggero e portatile per una rapida consultazione.

⬤ Non insegna da zero; non è adatto ai principianti.
⬤ Manca la copertura del deep learning e di alcune librerie moderne.
⬤ Problemi di qualità della produzione con grafici illeggibili e problemi di rilegatura.
⬤ Alcuni recensori l'hanno trovato eccessivamente incentrato sul codice senza sufficiente teoria matematica.

(basato su 13 recensioni dei lettori)

Titolo originale:

Machine Learning Pocket Reference: Working with Structured Data in Python

Contenuto del libro:

Con note dettagliate, tabelle ed esempi, questo pratico riferimento vi aiuterà a orientarvi nelle basi dell'apprendimento automatico strutturato. L'autore Matt Harrison offre una guida preziosa che può essere utilizzata come ulteriore supporto durante la formazione e come comoda risorsa quando ci si immerge nel prossimo progetto di apprendimento automatico.

Ideale per programmatori, data scientist e ingegneri dell'IA, questo libro include una panoramica del processo di apprendimento automatico e vi guida attraverso la classificazione con dati strutturati. Imparerete anche i metodi per il clustering, la previsione di un valore continuo (regressione) e la riduzione della dimensionalità, oltre ad altri argomenti.

Questo riferimento tascabile comprende sezioni che coprono:

⬤ Classificazione, utilizzando il dataset Titanic.

⬤ Pulizia dei dati e gestione dei dati mancanti.

⬤ Analisi esplorativa dei dati.

⬤ Fasi comuni di preelaborazione con l'utilizzo di dati campione.

⬤ Selezione delle caratteristiche utili per il modello.

⬤ Selezione del modello.

⬤ Metriche e valutazione della classificazione.

⬤ Esempi di regressione con k-nearest neighbor, alberi decisionali, boosting e altro.

⬤ Metriche per la valutazione della regressione.

⬤ Clustering.

⬤ Riduzione della dimensionalità.

⬤ Pipeline di Scikit-learn.