Python -- Hướng dẫn thực hành tải xuống miễn phí

Tích hợp scikit-learning với nhiều công cụ khác nhau như NumPy, pandas,balanced-learning và scikit-surprise và sử dụng nó để giải quyết các vấn đề về học máy trong thế giới thực

Các tính năng chính

• Đi sâu vào học máy với hướng dẫn toàn diện này về Python khoa học và học theo scikit
• Nắm vững nghệ thuật giải quyết vấn đề dựa trên dữ liệu với các ví dụ thực hành
• Nâng cao kiến ​​thức lý thuyết và thực tiễn của bạn về các thuật toán học máy có giám sát và không giám sát

Mô tả cuốn sách

Học máy được áp dụng ở mọi nơi, từ kinh doanh đến nghiên cứu và học thuật, trong khi scikit-learning là một thư viện đa năng phổ biến đối với những người thực hành học máy. Cuốn sách này phục vụ như một hướng dẫn thực tế cho bất kỳ ai muốn cung cấp các giải pháp học máy thực hành với bộ công cụ scikit-learning và Python

Cuốn sách bắt đầu với phần giải thích về các khái niệm và nguyên tắc cơ bản của máy học, đồng thời tạo ra sự cân bằng giữa các khái niệm lý thuyết và ứng dụng của chúng. Mỗi chương bao gồm một tập hợp các thuật toán khác nhau và chỉ cho bạn cách sử dụng chúng để giải quyết các vấn đề thực tế. Bạn cũng sẽ tìm hiểu về các thuật toán học máy được giám sát và không giám sát quan trọng khác nhau bằng các ví dụ thực tế. Cho dù đó là thuật toán học tập dựa trên phiên bản, ước tính Bayes, mạng lưới thần kinh sâu, tập hợp dựa trên cây hay hệ thống đề xuất, bạn sẽ hiểu thấu đáo về lý thuyết của nó và tìm hiểu khi nào nên áp dụng nó. Khi bạn tiến bộ, bạn sẽ tìm hiểu cách xử lý dữ liệu chưa được gắn nhãn và khi nào nên sử dụng các thuật toán phát hiện bất thường và phân cụm khác nhau

Khi kết thúc cuốn sách về máy học này, bạn sẽ học cách sử dụng phương pháp tiếp cận dựa trên dữ liệu để cung cấp các giải pháp máy học từ đầu đến cuối. Bạn cũng sẽ khám phá ra cách giải quyết vấn đề trong tay, chuẩn bị dữ liệu cần thiết, đánh giá và triển khai các mô hình trong sản xuất

Bạn sẽ học được gì

• Hiểu khi nào nên sử dụng thuật toán học có giám sát, không giám sát hoặc học tăng cường
• Tìm hiểu cách thu thập và chuẩn bị dữ liệu của bạn cho các tác vụ máy học
• Xử lý dữ liệu mất cân bằng và tối ưu hóa thuật toán của bạn để đánh đổi sai lệch hoặc chênh lệch
• Áp dụng các thuật toán được giám sát và không được giám sát để vượt qua các thử thách học máy khác nhau
• Sử dụng các phương pháp hay nhất để điều chỉnh các siêu tham số của thuật toán của bạn
• Khám phá cách sử dụng mạng thần kinh để phân loại và hồi quy
• Xây dựng, đánh giá và triển khai các giải pháp máy học của bạn vào sản xuất

Cuốn sách này dành cho ai

Cuốn sách này dành cho các nhà khoa học dữ liệu, những người thực hành máy học và bất kỳ ai muốn tìm hiểu cách hoạt động của các thuật toán máy học và xây dựng các mô hình học máy khác nhau bằng hệ sinh thái Python. Cuốn sách sẽ giúp bạn nâng kiến ​​thức của mình về học máy lên một tầm cao mới bằng cách nắm bắt những thông tin chi tiết về nó và điều chỉnh nó theo nhu cầu của bạn. Cần có kiến ​​thức làm việc về Python và hiểu biết cơ bản về các khái niệm toán học và thống kê cơ bản

Packt đang có đợt giảm giá lớn nhất trong năm. Nhận Sách điện tử này hoặc bất kỳ cuốn sách, video hoặc khóa học nào khác mà bạn thích chỉ với $5 mỗi cuốn

Mua ngay

Mua các tiêu đề tương tự chỉ với 5 đô la

Đây là kho lưu trữ mã cho Máy học thực hành với Scikit-Learn và Bộ công cụ Python khoa học, được xuất bản bởi Packt

Hướng dẫn thực tế để triển khai các thuật toán học máy có giám sát và không giám sát trong Python

Cuốn sách này nói về cái gì?

Học máy được áp dụng ở mọi nơi, từ kinh doanh đến nghiên cứu và học thuật, trong khi Scikit-Learn là một thư viện đa năng phổ biến đối với những người thực hành học máy. Cuốn sách này phục vụ như một hướng dẫn thực tế cho bất kỳ ai muốn cung cấp các giải pháp học máy thực hành với bộ công cụ Scikit-Learn và Python

Cuốn sách bắt đầu với phần giải thích về các khái niệm và nguyên tắc cơ bản của máy học, đồng thời tạo ra sự cân bằng giữa các khái niệm lý thuyết và ứng dụng của chúng. Mỗi chương bao gồm một tập hợp các thuật toán khác nhau và chỉ cho bạn cách sử dụng chúng để giải quyết các vấn đề thực tế. Bạn cũng sẽ tìm hiểu các thuật toán học máy có giám sát và không giám sát quan trọng khác nhau bằng các ví dụ thực tế. Cho dù đó là thuật toán học tập dựa trên phiên bản, ước tính Bayes, mạng lưới thần kinh sâu, tập hợp dựa trên cây hay hệ thống đề xuất, bạn sẽ hiểu thấu đáo về lý thuyết của nó và tìm hiểu khi nào nên áp dụng nó. Khi bạn tiến bộ, bạn sẽ tìm hiểu cách xử lý dữ liệu chưa được gắn nhãn và khi nào nên sử dụng các thuật toán phát hiện bất thường và phân cụm khác nhau

Khi kết thúc cuốn sách về máy học này, bạn sẽ học cách sử dụng phương pháp tiếp cận dựa trên dữ liệu để cung cấp các giải pháp máy học từ đầu đến cuối. Bạn cũng sẽ khám phá ra cách giải quyết vấn đề trong tay, chuẩn bị dữ liệu cần thiết, đánh giá và triển khai các mô hình trong sản xuất

Cuốn sách này vượt xa Scikit-Learn và giới thiệu cho bạn các thư viện bổ sung như NumPy, Pandas, SpaCy, tìm hiểu mất cân bằng và Scikit-Surprise. Kiến thức lý thuyết trong cuốn sách này cũng sẽ chuẩn bị cho bạn sử dụng các thư viện không được đề cập ở đây như Tensor Flow và Pytorch

Trong repo này, bạn sẽ tìm thấy các ví dụ mã được sử dụng trong cuốn sách. Tôi cũng bao gồm ở đây các phần mã bị lược bỏ trong sách, chẳng hạn như kiểu dáng trực quan hóa dữ liệu, định dạng bổ sung, v.v.

Cuốn sách này bao gồm các tính năng thú vị sau đây

• Hiểu khi nào nên sử dụng thuật toán học có giám sát, không giám sát hoặc học tăng cường
• Tìm hiểu cách thu thập và chuẩn bị dữ liệu của bạn cho các tác vụ máy học
• Xử lý dữ liệu mất cân bằng và tối ưu hóa thuật toán của bạn để đánh đổi sai lệch hoặc chênh lệch
• Áp dụng các thuật toán được giám sát và không được giám sát để vượt qua các thử thách học máy khác nhau
• Sử dụng các phương pháp hay nhất để điều chỉnh các siêu tham số của thuật toán của bạn
• Khám phá cách sử dụng mạng thần kinh để phân loại và hồi quy
• Xây dựng, đánh giá và triển khai các giải pháp máy học của bạn vào sản xuất

Nếu bạn cảm thấy cuốn sách này là dành cho mình, hãy nhận bản sao của bạn ngay hôm nay

Đánh giá sách

Từ GoodReads

Ali Faizan đánh giá nó. 5 trên 5 sao

Đối với một người mới học máy như tôi, thật vui khi thấy rằng cuốn sách không đi sâu vào các thuật toán học máy. lần đầu tiên nó thiết lập lý do tồn tại cho học máy và nắm bắt một cách nhất quán toàn bộ quá trình phát triển mô hình học máy. Điều này đã giúp tôi hiểu được bức tranh lớn hơn sau này trong cuốn sách, nơi nó trình bày việc sử dụng thực tế các thuật toán học máy khác nhau. Tôi rất sẵn lòng giới thiệu cuốn sách này cho bất kỳ ai quan tâm đến scikit-learning và máy học nói chung.

Paul Schmidt đánh giá nó. 5 trên 5 sao

Cuốn sách này giàu thông tin với các ví dụ thực tế. Tôi, người chưa bao giờ đọc hoặc chạm vào lĩnh vực này, đã rất ngạc nhiên khi biết được sức nặng của phân tích dữ liệu đối với học máy. Vâng, cuốn sách này cũng dạy bạn về phân tích dữ liệu. Xuyên suốt các chương, bạn tìm hiểu những điều không nên làm khi xây dựng mô hình học máy và học sâu. Tác giả dạy bạn những điều không nên làm bằng cách phân tích dữ liệu có sẵn và cải tiến các mô hình dựa trên kiến ​​thức đó. Cuốn sách rất giàu thông tin và có thể dễ dàng đọc lại từ chương này sang chương khác. Có một số điều cần lưu ý, cuốn sách này không dành cho người mới bắt đầu sử dụng python và tôi khuyên bạn nên biết một số điều cơ bản từ các mô-đun pandas và matplotlib. Nói cách khác, cuốn sách này được khuyến khích mạnh mẽ

từ Amazon

Przemyslaw Chojecki đánh giá nó. 5 trên 5 sao

Nếu bạn đã thực hiện một vài dự án khoa học dữ liệu, đã có hiểu biết cơ bản về Python, đã thực hiện một số hình dung và muốn tìm hiểu sâu hơn một số chi tiết về ý nghĩa của việc phân tích dữ liệu, thì cuốn sách này là dành cho bạn. Đây là một hướng dẫn thiết thực cho cả học có giám sát và không giám sát với rất nhiều ví dụ trong mã. Trọng tâm chính là dữ liệu không hoàn hảo và cách hiểu những điểm không hoàn hảo này thông qua các thuật toán học máy khác nhau. Tác giả thảo luận về các thuật toán khoa học dữ liệu tiêu chuẩn bằng cách sử dụng thư viện scikit-learn, cung cấp một cái nhìn tổng quan nhất quán về chủ đề này. Bạn sẽ học cây quyết định, phân loại KNN, Naive Bayes và nhiều thứ khác; . Được đề xuất cho các nhà khoa học dữ liệu mới bắt đầu

Adam Powell đánh giá nó. 5 trên 5 sao

Cách đọc hoàn hảo cho một nhà phân tích muốn chuyển sang học máy. Nó bao quát rộng rãi tất cả các thuật toán chính với quan điểm của một học viên sâu sắc. Rất khuyến khích

Hướng dẫn và Điều hướng

Tất cả mã được sắp xếp vào các thư mục

Mã sẽ giống như sau

import numpy as np
import scipy as sp
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

Sau đây là những gì bạn cần cho cuốn sách này. Cuốn sách này dành cho các nhà khoa học dữ liệu học máy, những người muốn nắm vững các khía cạnh lý thuyết và thực tiễn của các thuật toán học máy và hiểu cách sử dụng chúng để giải quyết các vấn đề thực tế. Cần có kiến ​​thức làm việc về Python và hiểu biết cơ bản về các khái niệm toán học và thống kê cơ bản. Tuy nhiên, cuốn sách này sẽ hướng dẫn bạn các khái niệm mới để phục vụ cho cả các nhà khoa học dữ liệu mới và có kinh nghiệm.

Với danh sách phần cứng và phần mềm sau đây, bạn có thể chạy tất cả các tệp mã có trong sách (Chương 1-13)

Danh sách phần mềm và phần cứng

Bạn sẽ cần Python 3. x được cài đặt trên máy tính của bạn. Đó là một cách thực hành tốt để thiết lập một môi trường ảo để cài đặt các thư viện cần thiết vào. Tùy thuộc vào việc bạn muốn sử dụng mô-đun venv của Python, môi trường ảo do Anaconda cung cấp hay bất kỳ tùy chọn nào khác mà bạn thích. Chúng tôi sẽ sử dụng pip để cài đặt các thư viện cần thiết trong cuốn sách, nhưng một lần nữa, tùy thuộc vào việc bạn thích sử dụng conda hay bất kỳ lựa chọn thay thế nào khác

Chúng tôi khuyên bạn nên tạo một môi trường conda trước, sau đó cài đặt các lib cần thiết ở đó

conda create -n scikitbook python=3.6
conda activate scikitbook
pip install --upgrade -r requirements.txt

Bạn cần thực hiện các bước trên một lần. Sau đó kích hoạt môi trường

conda activate scikitbook

Và để chạy Jupyter

jupyter notebook

Chúng tôi cũng cung cấp tệp PDF có hình ảnh màu của ảnh chụp màn hình/sơ đồ được sử dụng trong cuốn sách này. Nhấn vào đây để tải về nó

Những sảm phẩm tương tự

• Python Machine Learning - Phiên bản thứ ba [Packt] [Amazon]

• Mastering Machine Learning Algorithms - Second Edition [Packt] [Amazon]

Làm quen với tác giả

Tarek Amr có 8 năm kinh nghiệm về khoa học dữ liệu và máy học. Sau khi hoàn thành chương trình sau đại học tại Đại học East Anglia, anh đã làm việc tại một số công ty khởi nghiệp và mở rộng quy mô ở Ai Cập và Hà Lan. Đây là cuốn sách thứ hai liên quan đến dữ liệu của ông. Cuốn sách trước đây của anh ấy là về trực quan hóa dữ liệu bằng D3. js. Anh ấy thích nói chuyện và viết về các khái niệm kinh doanh và khoa học máy tính khác nhau và giải thích chúng cho nhiều đối tượng hơn. Có thể liên hệ với anh ấy trên twitter tại @gr33ndata. Thầy rất sẵn lòng trả lời mọi câu hỏi liên quan đến cuốn sách này. Vui lòng liên hệ với anh ấy nếu bất kỳ phần nào của cuốn sách cần được làm rõ hoặc nếu bạn muốn thảo luận chi tiết hơn về bất kỳ khái niệm nào trong đó