Was für ein nützliches Buch - es konzentriert sich hauptsächlich auf das Scikit-Lernen mit einigen Numpy, Pandas und Matplotlib. Man könnte sagen, es ist eine eingehende Tour durch einige der nützlicheren Methoden beim Scikit-Lernen - Klassifizieren, Regression, ein bisschen Clustering, PCA, all die verschiedenen Möglichkeiten, das Ergebnis Ihres Modells zu messen, wie Sie die unglaublich nützliche Scikit-Learn-Pipeline zum Testen von Parametern und Modellen verwenden usw.

Die Beispiele sind nützlich und interessant, insbesondere die Häufung und Klassifizierung von Gesichtsbildern ist erstaunlich. Es gibt nicht viel Mathematik, wenn ich mich richtig erinnere, gibt es vielleicht zwei Formeln im ganzen Buch. Parameter spielen jedoch eine große Rolle - wenn eine neue Methode vorgestellt wird, wird normalerweise ein wenig diskutiert, welche Parameter den größten Einfluss auf das Ergebnis haben. Es gibt auch einiges an Weisheit über die vielen Gefahren einer Überanpassung und Auswahl des falschen Test- und Trainingssatzes (oder im Falle einer Kreuzvalidierung die Gefahr, zu viel in Richtung des Testsatzes zu trainieren).

Wenn Sie nach künstlichen neuronalen Netzen suchen, ist dies möglicherweise ein guter Anfang. Das Kapitel über ANNs enthält eine sehr intuitive Erklärung der Logik hinter Schichten und Neuronen. Der Schwerpunkt des Buches liegt jedoch an einer anderen Stelle, die die Autoren ausdrücklich angeben (in Im letzten Kapitel empfehlen die Autoren Goodfellow et al Tiefes Lernen dafür - $ 70 und kein Epub / Mobi, autsch).

Eine Kleinigkeit, bei der ich mir nicht sicher bin: Um Papierverschwendung beim Spielen mit Matplotlib zu überspringen, nennen die Autoren oft ihre eigenen mglearn Bibliothek für Plots und einige Utility-Funktionen, ich bin mir nicht sicher, ob dies zu viel Komplexität vor dem Leser "verbirgt" - aber was ich sehe, ist meistens Matplotlib-Fummeln, das in diesen Funktionen verborgen ist, was enorm frustrierend ist und hat kein Platz in diesem Buch.

Empfohlen für: fortgeschrittene Python-Programmierer, die neue Wege lernen möchten, um aus ihren Daten neue Verbindungen herzustellen

Nicht empfohlen für: Leute, die wissen wollen, worum es bei diesem Hype um künstliche neuronale Netze geht.

Vielleicht: Leute, die das Erstaunliche bereits verschlungen haben scikit-learn DokumentationEinige der Beispiele im Buch stammen direkt aus der Dokumentation (Clustering), die komplexeren Beispiele sind "neuartig".

Ich habe nicht viel von diesem Buch gelesen, um ehrlich zu sein; Mein Lehrer deckte während seines Unterrichts die gesamte Literatur ab, sodass ich nicht lesen musste, was ich bereits gehört und gesehen hatte. Aber dieses Buch ist wirklich gut geschrieben: Es lehrt geduldig alles, was Sie wissen müssen, wenn Sie mit wenig bis gar keinem Vorwissen beginnen, Codes und seine Ausgaben bereitstellen und erklären, was diese Ausgabe bedeutet.

Ich würde dies jedem empfehlen, der lernen möchte, wie man maschinelles Lernen macht. Vertrautheit mit Python ist eine große Voraussetzung.

Endlich konnte ich dieses großartige Buch lesen. Ich habe festgestellt, dass ein Thema, das ich nicht kannte, wie Verkettung und Pipeline. Das Arbeiten mit Textdaten hat für mich mehr Gewinn

Ich mag dieses Buch nicht so sehr wie Eine Einführung in das statistische Lernen: Mit Anwendungen in R.Aber wenn Sie gezwungen oder verpflichtet sind, Python anstelle von R zu verwenden, ist dies ab 2018 die beste verfügbare Alternative, und ich denke, dass es insgesamt ziemlich gut ist. Sie müssen bereits fließend Numpy, Pandas und Matplotlib sprechen, um dieses Buch lesen zu können. Wenn Sie nicht sind, lesen Sie Python Data Science Handbook: Tools und Techniken für Entwickler zuerst.

Dies ist ein großartiges Buch.

Es ist eine schöne Einführung in das maschinelle Lernen (speziell Scikit-Lernen), ohne dass viel Mathematik benötigt wird. Es wird Sie keineswegs zu einem Experten machen, aber es wird Ihnen einen guten Einblick in die Grundlagen geben, eine Anleitung zum Scikit-Lernen und hoffentlich eine gewisse Intuition über die gängigen Algorithmen. Eine schöne Ergänzung dazu ist der Andrew Ng Coursera Kurs über maschinelles Lernen. Die beiden sind ein sehr guter Ausgangspunkt für neugierige Programmierer in der ML-Reise.

Dieses Buch ist eine sehr grundlegende Einführung in das maschinelle Lernen und es gibt bessere Bücher, zum Beispiel praktisches maschinelles Lernen mit Scikit-Learn und Tensorflow. Die Beispiele im Buch verwenden eine Bibliothek, die der Autor erstellt hat, was es schwierig macht, wirklich zu lernen, wie die Analyse in Python durchgeführt wird

Wenn Sie mit dem Thema Maschinelles Lernen noch nicht vertraut sind, ist dies definitiv das richtige Buch. Dieses Buch bietet einen guten Überblick über die gängigsten Techniken, die auf diesem Gebiet verwendet werden. Es war alles was ich erwartet hatte und mehr. Grundkenntnisse in der Python-Programmierung sind erforderlich.

ML es la versión marketinera de la Econometría, con la posibilidad de aplicarlo a mil cosas distintas. El libro intenta hacer una Introducción a todo eso, con lo cual termina tocando temas difícil, rápido y con poca aplicación práctica real. Pero es al menos una Introducción ... Da para seguir leyendo por esta línea ...

Es ist ein schönes Buch, um mit dem maschinellen Lernen zu beginnen. Buch erklärt alle Algorithmen.

Wenn Sie maschinelles Lernen verstehen möchten, beginnen Sie hier. Allein die Gesichtserkennungsabschnitte sind den Eintrittspreis wert. Tief genug, um interessant und informativ zu sein, ohne den Leser zu überwältigen. Nehmen Sie es langsam und lesen Sie es mit einem Bleistift und einem Computer in der Nähe (die Beispiele sind auf GitHub).

Dieses Buch sollte das erste Buch für alle sein, die ein wenig Programmierhintergrund haben und einen Überblick darüber erhalten möchten, wie maschinelles Lernen aussehen würde, ohne tief in die lineare Algebra und / oder relevante Mathematik einzutauchen.

Das Buch verwendet Python, Scikit-Learn, Bumpy usw., die gut definiert und weit verbreitet sind, und nimmt Beispiele nacheinander auf, jedoch nicht mit ernsthafter Mathematik oder von Grund auf neu, sondern unter Verwendung des vorhandenen Scikit-Learn.

Wahrscheinlich möchten einige Leute alles von Grund auf lernen, einschließlich der Funktionsweise und der Mathematik dahinter usw. usw., aber es gibt andere Leute wie mich, die einen kurzen Überblick darüber haben, wie es aussieht und wie es läuft zuerst arbeiten und dann allmählich in Zoll für Zoll eintauchen.

Dieses Buch gibt Ihnen einen guten Überblick darüber, wie maschinelles Lernen heutzutage aussieht, und gibt Ihnen auch Informationen darüber, dass diese gut definierten APIs / Bibliotheken mit Konsistenz Bibliotheksbenutzern helfen können.

Ich kann dieses Buch nur empfehlen.

Ein guter Einstieg in Python und ML:
- Gibt einen Überblick über Tools / Bibliotheken, die Sie wahrscheinlich benötigen
- Umfassender Überblick über Algorithmen mit einer guten Erklärung ihrer Funktionsweise und Einsicht in die Auswirkungen der Hauptparameter auf das Verhalten (anhand von Beispielen im Buch und Code zur Veranschaulichung der Verwendung. Code ist auch auf Github verfügbar.)
- Viele Anleitungen, wann was zu verwenden ist (je nachdem, welche Art von Daten / Problem Sie haben; welche Techniken besser funktionieren + gibt eine Vorstellung davon, welche Techniken normalerweise verwendet werden und welche nur in bestimmten Fällen + über Kompromisse informieren zwischen Modellgenauigkeit und Modellkomplexität)

Das Kapitel über Textdaten ist ziemlich kurz (eher eine Managerübersicht). In dieser Lernphase reicht es mir jedoch aus. Es enthält Verweise auf andere Bücher, wenn Sie auf bestimmte Details eingehen möchten.

Ich würde jedem Anfänger empfehlen, mit dem maschinellen Lernen aus diesem Buch zu beginnen. Der Autor Andreas erläutert einige Schlüsselkonzepte (z. B. Rastersuche und Kreuzvalidierung) im Detail, was mich lange verwirrt, jetzt bin ich so klar. Ein weiterer guter Punkt ist, dass das Buch so gut strukturiert ist und ein zweites Mal gelesen werden kann. Ich erkenne, dass ich keinen effizienteren Weg finden konnte!

In der Zwischenzeit habe ich durch den gesamten Code in diesem Buch einen Codefehler gefunden. In Kapitel 5, Bewertungsmetriken und Bewertung (Seite 286), habe ich "Nicht unterstützte Operandentypen für //: 'Tupel' und 'Int'" erhalten. wahrscheinlich verursacht die neuere Version Python 3 diesen Fehler, beeinflusst nur eine Zelleingabe, nichts Ernstes.

Alles in allem kann ich dieses Buch nur empfehlen und danke Andreas

Es mag meine schlechte Wahl sein, aber dieses Buch gibt Ihnen keinen guten Einblick in die Funktionsweise (klassischer) Algorithmen und Techniken des maschinellen Lernens. Es handelt sich mehr oder weniger um eine Umstrukturierung der Dokumentation von scikit-learn, wobei die mathematischen Hintergründe der verwendeten Techniken nahezu nicht erwähnt werden. Es ist voll von Codebeispielen und den Ergebnissen ihrer Ausführung sowie einer Erklärung, wie diese Ergebnisse sind und oft nicht, warum. Der nützlichste Teil des Buches ist das letzte Kapitel, in dem der Leser auf Artikel und Bücher verweist, in denen das "Warum" und weniger "technische" Details besser erläutert werden. Dieses Kapitel ist nicht gut bearbeitet und enthält eine Handvoll Tippfehler. (Jedenfalls ist es keine große Sache)

Insgesamt ist das Buch gut. Es enthält viele praktische Beispiele und Übungen zum Erstellen von Modellen für maschinelles Lernen mit Python, aber ich persönlich bin der Meinung, dass es an Details zu tieferer Mathematik und tieferen Ideen zu Hauptkonzepten der Modelle mangelte. Daher ist es möglicherweise gut für Personen mit wenig mathematischem oder statistischem Hintergrund.

Nettes Intro zum maschinellen Lernen in Python. Das Buch ist für Anfänger des maschinellen Lernens einfach und intuitiv.

Tolles Buch für einen ersten Ansatz zum maschinellen Lernen. Es enthält Erläuterungen zu den wichtigsten ML-Themen mit Beispiel-Python-Code.

Klare Erklärungen, die eine solide Grundlage für maschinelles Lernen bilden. Nachdem ich dieses Buch gelesen habe, habe ich genug Verständnis, um tiefer in eines der behandelten ML-Modelle einzutauchen.

Interessantes Buch, es bietet eine gute Einführung in die Anwendungen des maschinellen Lernens, ohne zu viel Zeit mit der Mathematik zu verbringen.

Konzentriert sich auf statistisches Lernen, deckt aber sehr gute Grundlagen ab, wie die Modellsuche und all das.

Ich habe dieses Buch wirklich geliebt! Es ist ein Einführungstext, perfekt, um sich mit den gängigsten überwachten und unbeaufsichtigten Lernalgorithmen die Hände schmutzig zu machen und ziemlich gute Vorhersagen zu treffen.
Ich mag die höheren konzeptionellen Erklärungen der Methoden und nicht, dass Sie mit zu viel Mathematik beschäftigt sind, die Sie in anderen Texten finden können, wenn Sie möchten.
Ich habe eine umfassende Einführung in alle wichtigen Techniken des maschinellen Lernens erhalten und bin jetzt an einem guten Ort, um mich eingehender mit den Themen zu befassen.