Cantitate/Preț
Produs
Total produse
Vezi coșul
Machine Learning with Python for Everyone de Mark Fenner

Machine Learning with Python for Everyone

Autor Mark Fenner
en Limba Engleză Paperback – 16 aug 2019

ABORDAREA PRACTICĂ: Machine Learning with Python for Everyone reușește să echilibreze rigoarea teoretică cu implementarea imediată în cod, eliminând bariera matematicii universitare intimidante. Subliniem modul în care Mark Fenner transformă conceptele abstracte în povești vizuale și exemple de cod Python accesibile oricărui programator care stăpânește sintaxa de bază a limbajului. Ca și Sarah Guido în Introduction to Machine Learning with Python, autorul distilează experiență reală în principii acționabile, oferind un traseu clar de la simpla înțelegere a datelor la construcția unor sisteme de învățare funcționale.

Remarcăm organizarea metodică a conținutului în 592 de pagini, structurată pentru a ghida cititorul prin progresia logică a unui proiect de date. Primele capitole stabilesc fundamentul tehnic, trecând rapid la aplicații de clasificare și regresie. Partea a II-a este dedicată exclusiv evaluării modelelor, un aspect critic adesea ignorat în manualele pentru începători, dar esențial pentru validarea performanței în scenarii reale. Ulterior, volumul explorează complexitatea ingineriei de caracteristici (feature engineering) și optimizarea prin pipeline-uri, demonstrând cum pot fi concatenate mai multe componente într-un sistem unitar.

Recomandăm această lucrare pentru accentul pus pe instrumente consacrate, precum biblioteca scikit-learn, și pentru modul în care extinde discuția către rețele neurale și modele grafice. Față de alte ghiduri introductive, abordarea lui Fenner se distinge prin profunzimea acordată proceselor de tuning și pregătire a datelor specifice domeniului, asigurând o bază solidă pentru orice analist sau cercetător care dorește să utilizeze învățarea automată în fluxul său de lucru.

Citește tot Restrânge

Preț: 30336 lei

Preț vechi: 37921 lei
-20%

Puncte Express: 455

Carte disponibilă

Livrare economică 04-18 mai
Livrare express 17-23 aprilie pentru 5069 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9780134845623
ISBN-10: 0134845625
Pagini: 592
Dimensiuni: 178 x 235 x 32 mm
Greutate: 1.02 kg
Editura: Pearson Education

De ce să citești această carte

Recomandăm această carte programatorilor și analiștilor care doresc să stăpânească machine learning fără a se bloca în demonstrații matematice dense. Cititorul câștigă o metodologie clară de lucru cu scikit-learn, învățând nu doar să scrie algoritmi, ci să evalueze și să optimizeze performanța acestora. Este un ghid practic ce transformă Python într-un instrument puternic de predicție și analiză a datelor.

Despre autor

Mark Fenner este un instructor principal și consultant cu o vastă experiență în predarea conceptelor tehnice către publicuri diverse. Expertiza sa se concentrează pe democratizarea accesului la machine learning și știința datelor, punând accent pe claritatea explicațiilor și pe aplicabilitatea imediată. Prin activitatea sa pedagogică, Fenner a ajutat numeroși studenți și profesioniști să facă tranziția către roluri de inginerie de date, publicând lucrări de referință sub egida Pearson Education care pun accent pe înțelegerea intuitivă în detrimentul formalismului excesiv.

Descriere scurtă

The Complete Beginner's Guide to Understanding and Building Machine Learning Systems with Python Machine Learning with Python for Everyone will help you master the processes, patterns, and strategies you need to build effective learning systems, even if you're an absolute beginner. If you can write some Python code, this book is for you, no matter how little college-level math you know. Principal instructor Mark E. Fenner relies on plain-English stories, pictures, and Python examples to communicate the ideas of machine learning. Mark begins by discussing machine learning and what it can do; introducing key mathematical and computational topics in an approachable manner; and walking you through the first steps in building, training, and evaluating learning systems. Step by step, you'll fill out the components of a practical learning system, broaden your toolbox, and explore some of the field's most sophisticated and exciting techniques. Whether you're a student, analyst, scientist, or hobbyist, this guide's insights will be applicable to every learning system you ever build or use.
  • Understand machine learning algorithms, models, and core machine learning concepts
  • Classify examples with classifiers, and quantify examples with regressors
  • Realistically assess performance of machine learning systems
  • Use feature engineering to smooth rough data into useful forms
  • Chain multiple components into one system and tune its performance
  • Apply machine learning techniques to images and text
  • Connect the core concepts to neural networks and graphical models
  • Leverage the Python scikit-learn library and other powerful tools
Register your book for convenient access to downloads, updates, and/or corrections as they become available. See inside book for details.

Notă biografică

Dr. Mark Fenner, owner of Fenner Training and Consulting, LLC, has taught computing and mathematics to diverse adult audiences since 1999, and holds a PhD in computer science. His research has included design, implementation, and performance of machine learning and numerical algorithms; developing learning systems to detect user anomalies; and probabilistic modeling of protein function.

Cuprins

  • Chapter 1: Let's Discuss Learning
  • Chapter 2: Some Technical Background
  • Chapter 3: Predicting Categories: Getting Started with Classification
  • Chapter 4: Predicting Numerical Values: Getting Started with Regression
  • Part II: Evaluation
  • Chapter 5: Evaluating and Comparing Learners
  • Chapter 6: Evaluating Classifiers
  • Chapter 7: Evaluating Regressors
  • Part III: More Methods and Fundamentals
  • Chapter 8: More Classification Methods
  • Chapter 9: More Regression Methods
  • Chapter 10: Manual Feature Engineering: Manipulating Data for Fun and Profit
  • Chapter 11: Tuning Hyperparameters and Pipelines
  • Part IV: Adding Complexity
  • Chapter 12: Combining Learners
  • Chapter 13: Models That Engineer Features for Us
  • Chapter 14: Feature Engineering for Domains: Domain-Specific Learning
  • Chapter 15: Connections, Extensions, and Further Directions