Ich begrüße die Autoren aufrichtig für dieses Buch. Ihre Arbeit ist sehr lobenswert.

Für einen Neuling wie mich war es sogar hilfreich, die Anhänge zu lesen. Diese Grundlagen sind definitiv der Schlüssel zum Verständnis der vielen fortgeschrittenen Themen im gesamten Buch. Die Autoren offenbaren in den Kapiteln auch andere wesentliche Konzepte wie Ko-Varianz und Korrelation. Dies erfordert, dass jeder Abschnitt des Buches sorgfältig und gründlich gelesen wird.

Das Buch zeigt illustrative Arbeiten zur CRISP-DM-Methodik und beschreibt die Nuancen jeder Phase. Die Autoren gehen jede dieser fünf Phasen anhand von Beispielen aus der Praxis durch. Die Fallstudien gegen Ende des Buches überarbeiten wichtige Teile des Buches.

In der R-Sprache können wir beispielsweise einfach die Funktion 'lm' aufrufen, um den Achsenabschnitt und die Gewichte zu kennen. Dieses Buch abstrahiert das nicht von uns, sondern konzentriert sich auf die tatsächliche Implementierung der Algorithmen und der Mathematik, die dahinter stehen, um die Antwort zu erhalten. Es gibt einige Artikel / Blogs, in denen erklärt wird, wie ein Algorithmus mithilfe von Programmiersprachen implementiert wird. Aber das Innenleben zu kennen ist immer besser.

Die einzige Frage, die ich an die Autoren habe, ist, warum die H-Matrix nicht eingeführt wurde, um die Gewichte in der linearen Regression zu finden.

Ich habe dieses Buch sehr genossen und viel über maschinelles Lernen gelernt.

Hier und da ist dieser Band ungefähr so ​​klar wie Schlamm (wie wenn man über Bayes'sche Netzwerke spricht oder kd Bäume). Aber das ist eher die Ausnahme als die Regel, und das Schreiben ist größtenteils außergewöhnlich klar und hilfreich, mit vielen konkreten Details, wie man die besten Ergebnisse erzielt, einschließlich zweier ziemlich umfangreicher Fallstudien. (Abgesehen davon schlage ich vor, die Lautstärke durch andere Quellen zu ergänzen, wenn die Dinge nicht sehr klar sind.) Ich war zuvor mit maschinellem Lernen vertraut, habe aber noch viel gelernt. Verschiedene vorgeschlagene Best Practices für die Modellbewertung waren besonders nützlich - z harmonisch Der Mittelwert der Klassengenauigkeit wird für die kategoriale Vorhersage empfohlen, da er mehr Aufmerksamkeit auf kleinere und damit schlechtere Werte lenkt - und es ist mir ein wenig peinlich, dass ich einige davon vorher nicht gekannt habe.

Lies dieses Buch.

Dieses Buch ist eine großartige Einführung in maschinelles Lernen und Analytik. Ich empfehle es allen meinen Schülern als eines der beiden Bücher, die sie bis zum Ende des Kurses, den ich über Datenwissenschaft unterrichte, lesen sollten - das andere ist Einführung in das statistische Lernen. Die Autoren behandeln viele praktische Informationen, die Sie benötigen, um in der realen Welt erfolgreich zu sein, z. B. die Verwendung des CRISP-DM-Workflows, um qualitativ hochwertige Datenergebnisse sicherzustellen, Ausreißer und fehlende Daten zu verarbeiten und EDA durchzuführen. Darüber hinaus decken sie die großen Ideen / Intuitionen hinter den Kernmodellen / Algorithmen des maschinellen Lernens ab und umfassen mehrere Fallstudien. Dies ist nicht der richtige Ort, um wichtige Details zu lernen oder zu programmieren, aber es wird Sie schnell in der datenwissenschaftlichen Lernkurve beschleunigen.