Recensioni dei lettori
Riepilogo:Il libro è una risorsa pratica per chi è interessato all'apprendimento automatico, in particolare con Python. Fornisce un'introduzione accessibile a vari concetti di apprendimento automatico, con particolare attenzione agli esempi pratici e alle implementazioni di codice. Tuttavia, è stato criticato per la copertura superficiale delle teorie matematiche e per alcuni errori di codifica. Pur essendo un buon complemento a testi più teorici, potrebbe non essere sufficiente per i principianti dell'apprendimento automatico o di Python.
Vantaggi:⬤ Approccio pratico con esempi passo-passo
⬤ copre le librerie Python più diffuse
⬤ segmenti di codice ben spiegati
⬤ buono per chi ha qualche conoscenza preliminare di ML
⬤ include applicazioni del mondo reale
⬤ stile di scrittura piacevole
⬤ fornisce utili best practice.
⬤ Alcuni esempi di codice presentano errori
⬤ potrebbe non essere adatto a principianti assoluti di ML o Python
⬤ sono stati segnalati problemi di tipografia
⬤ alcune spiegazioni mancano di contesto
⬤ dati e requisiti obsoleti.
(basato su 20 recensioni dei lettori)
Titolo originale:
Python Machine Learning by Example - Third Edition: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn
Contenuto del libro:
Una guida completa per aggiornarsi sugli ultimi sviluppi dell'apprendimento automatico pratico con Python e migliorare la comprensione degli algoritmi e delle tecniche di apprendimento automatico (ML).
Caratteristiche principali
⬤ Si addentra negli algoritmi di apprendimento automatico per risolvere le complesse sfide che gli scienziati dei dati si trovano ad affrontare oggi.
⬤ Esplora contenuti all'avanguardia che riflettono gli sviluppi del deep learning e del reinforcement learning.
⬤ Utilizzare librerie Python aggiornate come TensorFlow, PyTorch e scikit-learn per seguire progetti di apprendimento automatico end-to-end.
Descrizione del libro
Python Machine Learning By Example, Third Edition è un'introduzione completa al mondo dell'apprendimento automatico (ML).
Con sei nuovi capitoli, su argomenti quali lo sviluppo di motori di raccomandazione cinematografica con Na ve Bayes, il riconoscimento dei volti con la Support Vector Machine, la previsione dei prezzi delle azioni con le reti neurali artificiali, la categorizzazione di immagini di abbigliamento con le reti neurali convoluzionali, la previsione di sequenze con le reti neurali ricorrenti e lo sfruttamento dell'apprendimento per rinforzo per prendere decisioni, il libro è stato notevolmente aggiornato per le più recenti esigenze aziendali.
Allo stesso tempo, questo libro fornisce approfondimenti pratici sui fondamenti chiave del ML con la programmazione in Python. Hayden applica la sua esperienza per dimostrare le implementazioni degli algoritmi in Python, sia da zero che con le librerie.
Ogni capitolo illustra un'applicazione adottata dal settore. Con l'aiuto di esempi realistici, potrete comprendere i meccanismi delle tecniche di ML in aree quali l'analisi esplorativa dei dati, l'ingegneria delle caratteristiche, la classificazione, la regressione, il clustering e l'NLP.
Alla fine di questo libro su ML Python, avrete acquisito un'ampia visione dell'ecosistema ML e sarete ben informati sulle migliori pratiche di applicazione delle tecniche ML per risolvere i problemi.
Che cosa imparerete?
⬤ Comprendere i concetti importanti del ML e della scienza dei dati.
⬤ Usare Python per esplorare il mondo del data mining e dell'analisi.
⬤ Scalare l'addestramento dei modelli utilizzando dati di varia complessità con Apache Spark.
⬤ Approfondite l'analisi del testo e l'NLP utilizzando librerie Python come NLTK e Gensim.
⬤ Scegliere e costruire un modello di ML, valutarne e ottimizzarne le prestazioni.
⬤ Implementare algoritmi di ML da zero in Python, TensorFlow 2, PyTorch e scikit-learn.
Per chi è questo libro?
.
Se siete appassionati di machine learning, analisti di dati o ingegneri dei dati e volete iniziare a lavorare su compiti di machine learning, questo libro fa per voi.
Si presuppone una conoscenza preliminare del codice Python e una familiarità di base con i concetti statistici, anche se non è necessaria.
