Pulizia ed esplorazione dei dati con il Machine Learning: Imparare a conoscere le tecniche di apprendimento automatico per ottenere rapidamente dati puliti e brillanti.

Recensioni dei lettori

Questo libro è una guida completa e facile da usare per i principianti, incentrata sulla pulizia dei dati e sulla preparazione all'apprendimento automatico. Offre esercizi pratici, spunti preziosi e tecniche pratiche che spesso mancano in altre risorse. Sebbene sia molto apprezzato per le sue spiegazioni chiare e gli esempi utili, ci sono indicazioni che potrebbero mancare di profondità in alcuni argomenti avanzati.

⬤ Spiegazioni chiare e complete delle tecniche di pulizia e preparazione dei dati.
⬤ Esercizi pratici ed esempi di codice disponibili su GitHub.
⬤ Ottimo per i principianti e solido riferimento per gli utenti più esperti.
⬤ Stile di scrittura coinvolgente e accessibile; sembra una conversazione.
⬤ Si concentra sulle tecniche più importanti che portano risultati nell'apprendimento automatico.

⬤ Manca di profondità in argomenti avanzati come l'apprendimento profondo e l'analisi degli errori.
⬤ Alcuni lettori vorrebbero un kit di strumenti più ampio per applicazioni di modellazione complesse.
⬤ Si concentra maggiormente su contenuti di livello principiante, che potrebbero non soddisfare i data scientist più esperti alla ricerca di approfondimenti avanzati.

(basato su 7 recensioni dei lettori)

Titolo originale:

Data Cleaning and Exploration with Machine Learning: Get to grips with machine learning techniques to achieve sparkling-clean data quickly

Contenuto del libro:

Esplora le tecniche di apprendimento automatico sovralimentate per prendersi cura dei tuoi carichi di dati da lavare.

Caratteristiche principali:

⬤ Imparare a preparare i dati per i processi di apprendimento automatico.

⬤ Capire quali algoritmi si basano sugli obiettivi di previsione e sulle proprietà dei dati.

⬤ Esplora come interpretare e valutare i risultati dell'apprendimento automatico.

Descrizione del libro:

Molti individui che sanno come eseguire algoritmi di apprendimento automatico non hanno una buona percezione delle assunzioni statistiche che fanno e di come abbinare le proprietà dei dati all'algoritmo per ottenere i migliori risultati.

All'inizio di questo libro, i modelli sono scelti con cura per aiutarvi a comprendere i dati sottostanti, compresa l'importanza e la correlazione delle caratteristiche e la distribuzione delle caratteristiche e degli obiettivi. Le prime due parti del libro introducono l'utente alle tecniche di preparazione dei dati per gli algoritmi di ML, senza nascondersi l'uso di alcune tecniche di ML per la pulizia dei dati, tra cui il rilevamento delle anomalie e la selezione delle caratteristiche. Il libro aiuta poi ad applicare queste conoscenze a un'ampia gamma di compiti di ML. Si acquisisce una conoscenza dei più diffusi algoritmi supervisionati e non supervisionati, di come preparare i dati per essi e di come valutarli. Quindi, costruirete modelli e capirete le relazioni nei vostri dati, oltre a eseguire operazioni di pulizia e di esplorazione dei dati stessi. Farete rapidi progressi nello studio della distribuzione delle variabili, nell'identificazione delle anomalie e nell'esame delle relazioni bivariate, poiché in questo libro vi concentrerete maggiormente sull'accuratezza delle previsioni.

Alla fine di questo libro, sarete in grado di affrontare problemi di dati complessi utilizzando algoritmi di ML non supervisionati come l'analisi delle componenti principali e il clustering k-means.

Cosa imparerete:

⬤ Esplorare le tecniche essenziali di pulizia ed esplorazione dei dati da utilizzare prima di eseguire gli algoritmi di apprendimento automatico più diffusi.

⬤ Capire come eseguire la preelaborazione e la selezione delle caratteristiche e come impostare i dati per il test e la convalida.

⬤ Modellare obiettivi continui con algoritmi di apprendimento supervisionato.

⬤ Modellare obiettivi binari e multiclasse con algoritmi di apprendimento supervisionato.

⬤ Eseguire il clustering e la riduzione delle dimensioni con algoritmi di apprendimento non supervisionato.

⬤ Capire come utilizzare gli alberi di regressione per modellare un obiettivo continuo.

A chi è rivolto questo libro:

Questo libro si rivolge a data scientist professionisti, in particolare a quelli che si trovano nei primi anni della loro carriera, o ad analisti più esperti che sono relativamente nuovi all'apprendimento automatico. I lettori devono avere una conoscenza preliminare dei concetti di statistica tipicamente insegnati in un corso introduttivo di laurea, nonché un'esperienza di livello principiante nella manipolazione programmatica dei dati.