Padroneggiare gli algoritmi di apprendimento automatico - Seconda edizione

Recensioni dei lettori

Il libro “Mastering Machine Learning Algorithms” di Giuseppe Bonaccorso è apprezzato per la copertura completa e dettagliata degli algoritmi di apprendimento automatico, delle basi matematiche e degli esempi pratici di codifica. Sebbene sia un ottimo riferimento per gli studenti di livello intermedio e avanzato, può risultare eccessivo per i principianti a causa della sua profondità e delle conoscenze preliminari richieste.

⬤ Copertura completa di vari algoritmi e metodi di apprendimento automatico.
⬤ Forti basi matematiche per una migliore comprensione.
⬤ Buon equilibrio tra teoria ed esempi pratici di codifica.
⬤ Include ulteriori sezioni di lettura per approfondire le conoscenze.
⬤ Molto apprezzato come libro di riferimento sia dagli studenti che dai professionisti del settore.

⬤ Non adatto ai principianti
⬤ Richiede una solida conoscenza dell'apprendimento automatico e della matematica.
⬤ Alcuni utenti l'hanno trovato opprimente e in qualche modo disorganizzato.
⬤ Mancano ampi esempi di implementazione pratica con Python
⬤ può essere troppo teorico.
⬤ Alcuni errori minori notati nel contenuto.

(basato su 22 recensioni dei lettori)

Titolo originale:

Mastering Machine Learning Algorithms - Second Edition

Contenuto del libro:

Seconda edizione aggiornata e rivista della guida bestseller per esplorare e padroneggiare gli algoritmi più importanti per risolvere problemi complessi di apprendimento automatico Caratteristiche principali Aggiornato per includere nuovi algoritmi e tecniche Codice aggiornato a Python 3. 8 e TensorFlow 2. x Nuova copertura dell'analisi di regressione, delle serie temporali, dei modelli di deep learning e delle applicazioni più avanzate. 8 e TensorFlow 2. x Nuova copertura dell'analisi di regressione, dell'analisi delle serie temporali, dei modelli di deep learning e delle applicazioni più avanzate Descrizione del libro

Mastering Machine Learning Algorithms, Seconda edizione, vi aiuta a sfruttare la reale potenza degli algoritmi di apprendimento automatico per implementare modi più intelligenti di soddisfare le esigenze dei dati di oggi. Questa guida, recentemente aggiornata e rivista, vi aiuterà a padroneggiare gli algoritmi ampiamente utilizzati nei settori dell'apprendimento semi-supervisionato, dell'apprendimento con rinforzo, dell'apprendimento supervisionato e dell'apprendimento non supervisionato.

Utilizzerete tutte le moderne librerie dell'ecosistema Python, tra cui NumPy e Keras, per estrarre caratteristiche da dati di varia complessità. Dai modelli bayesiani all'algoritmo di Markov chain Monte Carlo fino ai modelli di Hidden Markov, questo libro sull'apprendimento automatico vi insegna a estrarre caratteristiche dai vostri set di dati, a eseguire una complessa riduzione della dimensionalità e ad addestrare modelli supervisionati e semi-supervisionati utilizzando librerie basate su Python come scikit-learn. Scoprirete anche le applicazioni pratiche di tecniche complesse come la stima della massima verosimiglianza, l'apprendimento Hebbian e l'apprendimento in ensemble, e come utilizzare TensorFlow 2.x per addestrare reti neurali profonde efficaci.

Alla fine di questo libro, sarete pronti a implementare e risolvere problemi di apprendimento automatico end-to-end e scenari di utilizzo. Cosa imparerete Comprendere le caratteristiche di un algoritmo di apprendimento automatico Implementare algoritmi da domini supervisionati, semi-supervisionati, non supervisionati e RL Imparare come funziona la regressione nell'analisi delle serie temporali e nella previsione dei rischi Creare, modellare e addestrare modelli probabilistici complessi Arricchire dati ad alta dimensione e valutare l'accuratezza del modello Scoprire come funzionano le reti neurali artificiali - addestrarle, ottimizzarle e convalidarle Lavorare con gli autoencoder, le reti Hebbian e le GAN A chi è rivolto questo libro

Questo libro si rivolge ai professionisti della scienza dei dati che vogliono approfondire i complessi algoritmi di ML per capire come si possono costruire vari modelli di apprendimento automatico. È richiesta la conoscenza della programmazione Python. Indice Fondamenti dei modelli di apprendimento automatico Funzioni di perdita e regolarizzazione Introduzione all'apprendimento semi-supervisionato Classificazione semi-supervisionata avanzata Apprendimento semi-supervisionato basato su grafici Clustering e modelli non supervisionati Clustering e modelli non supervisionati avanzati Clustering e modelli non supervisionati per il marketing Modelli lineari generalizzati e regressione Introduzione all'analisi delle serie temporali Reti bayesiane e modelli Hidden Markov Analisi delle serie temporali Reti bayesiane e modelli di Markov nascosti L'algoritmo EM Analisi delle componenti e riduzione della dimensionalità Apprendimento hebbiano Fondamenti dell'apprendimento in ensemble Algoritmi di boosting avanzati Modellazione delle reti neurali Ottimizzazione delle reti neurali Reti convoluzionali profonde Reti neurali ricorrenti Autoincodatori Introduzione alle reti generative avversarie Reti di credenza profonda Introduzione all'apprendimento per rinforzo Algoritmi avanzati di stima delle politiche