Python Machine Learning Cookbook: 100 ricette che insegnano come eseguire vari compiti di machine learning nel mondo reale

Recensioni dei lettori

Il libro è una guida pratica all'apprendimento automatico, adatta sia ai principianti sia a chi ha già una certa esperienza. Pur offrendo spiegazioni chiare e una forte attenzione agli algoritmi applicabili, alcuni lettori ritengono che alcuni contenuti siano trattati troppo brevemente.

Eccellente chiarezza e attenzione pratica per l'implementazione degli algoritmi di apprendimento automatico.

Pertinente e aggiornato con le applicazioni contemporanee.

(basato su 5 recensioni dei lettori)

Titolo originale:

Python Machine Learning Cookbook: 100 recipes that teach you how to perform various machine learning tasks in the real world

Contenuto del libro:

100 ricette che insegnano come eseguire vari compiti di apprendimento automatico nel mondo reale.

Caratteristiche principali

⬤ Capire quali algoritmi utilizzare in un determinato contesto con l'aiuto di questa entusiasmante guida basata sulle ricette.

⬤ Imparare a conoscere i perceptron e vedere come vengono utilizzati per costruire reti neurali.

⬤ Si è bloccati nel dare un senso alle immagini, al testo, al parlato e alle proprietà immobiliari? Questa guida vi verrà in soccorso, mostrandovi come eseguire l'apprendimento automatico per ciascuno di essi utilizzando varie tecniche.

Descrizione del libro

L'apprendimento automatico sta diventando sempre più pervasivo nel mondo moderno basato sui dati. È ampiamente utilizzato in molti campi come i motori di ricerca, la robotica, le auto a guida autonoma e altri ancora.

In questo libro imparerete a eseguire varie attività di apprendimento automatico in diversi ambienti. Inizieremo esplorando una serie di scenari reali in cui è possibile utilizzare l'apprendimento automatico ed esamineremo i vari elementi costitutivi. Nel corso del libro, si utilizzerà un'ampia gamma di algoritmi di apprendimento automatico per risolvere problemi reali e si utilizzerà Python per implementare questi algoritmi.

Scoprirete come gestire vari tipi di dati ed esplorare le differenze tra i paradigmi di apprendimento automatico, come l'apprendimento supervisionato e non supervisionato. Verrà inoltre trattata una serie di tecniche di regressione, algoritmi di classificazione, modellazione predittiva, tecniche di visualizzazione dei dati, motori di raccomandazione e altro ancora con l'aiuto di esempi reali.

Che cosa imparerete?

⬤ Esplorare gli algoritmi di classificazione e applicarli al problema della stima delle fasce di reddito.

⬤ Utilizzare la modellazione predittiva e applicarla a problemi del mondo reale.

⬤ Capire come eseguire la segmentazione del mercato utilizzando l'apprendimento non supervisionato.

⬤ Esplorare le tecniche di visualizzazione dei dati per interagire con i dati in modi diversi.

⬤ Scoprire come costruire un motore di raccomandazione.

⬤ Capire come interagire con i dati testuali e costruire modelli per analizzarli.

⬤ Lavorare con i dati vocali e riconoscere le parole pronunciate utilizzando i modelli di Markov nascosti.

⬤ Analizzare i dati del mercato azionario utilizzando i campi casuali condizionati.

⬤ Lavorare con i dati delle immagini e costruire sistemi per il riconoscimento delle immagini e il riconoscimento biometrico dei volti.

⬤ Capire come utilizzare le reti neurali profonde per costruire un sistema di riconoscimento ottico dei caratteri.