Als je comfortabel bent met Python en een praktisch pad naar machine learning wilt, is dit boek een vriendelijke, voorbeeldgedreven gids. Het richt zich op scikit-learn terwijl het het ondersteunende ecosysteem introduceert (NumPy, pandas, SpaCy, imbalanced-learn, en meer).
"Het boek is de perfecte lectuur voor iedereen die wil overstappen naar machine learning. Het behandelt breed alle belangrijke algoritmen met een inzichtelijk perspectief van een beoefenaar."
Koop het boek hier: books2read.com/u/m2ZW8d
Hier zijn een paar voorbeeldrecensies.
Ali Faizan beoordeelde het: 5 van de 5 sterren.
"Voor een machine learning noob zoals ik was het aangenaam om te zien dat het boek niet meteen in de details van machine learning algoritmen dook: het vestigde eerst de raison d'être voor machine learning en ving op samenhangende wijze het hele spectrum van het ontwikkelen van een machine learning model. Dit heeft me behoorlijk geholpen om het grotere plaatje later in het boek te begrijpen waar het het praktische gebruik van verschillende machine learning algoritmen demonstreerde. Ik zal dit boek graag aanbevelen aan iedereen die geïnteresseerd is in scikit-learn, en machine learning in het algemeen ook."
Paul Schmidt beoordeelde het: 5 van de 5 sterren.
"Dit boek is informatierijk met praktische voorbeelden. Ik die nooit las of dit gebied aanraakte was verrast om het gewicht te leren dat data-analyse had op machine learning. Ja, dit boek leert je ook over data-analyse. Doorheen de hoofdstukken leer je wat niet te doen bij het bouwen van machine learning en deep learning modellen. De auteur leert je wat niet te doen door de data bij de hand te analyseren en de modellen op basis van die kennis te verbeteren. Het boek is zeer informatierijk en kan gemakkelijk van hoofdstuk tot hoofdstuk worden herlezen. Er zijn enkele dingen om in gedachten te houden, dit boek is niet voor Python beginners en ik dring er bij je op aan om enkele van de basisprincipes van de pandas en matplotlib modules te kennen. Met andere woorden, dit boek wordt sterk aanbevolen."
Przemyslaw Chojecki beoordeelde het: 5 van de 5 sterren.
"Als je al een paar data science projecten hebt gedaan, een basiskennis van Python had, wat visualisatie hebt gedaan en dieper in sommige details wilt gaan van wat het betekent om data te analyseren, dan is dit boek voor jou. Dit is een praktische gids voor zowel supervised als unsupervised learning met veel voorbeelden in code. De hoofdfocus ligt op imperfecte data en hoe zinvol te maken van deze imperfecties door verschillende machine learning algoritmen. De auteur bespreekt standaard data science algoritmen met behulp van scikit-learn bibliotheek wat een samenhangend overzicht van het onderwerp geeft. Je leert decision trees, KNN classificatie, Naive Bayes en nog veel meer; toegepast op klassieke datasets zoals Iris dataset, Boston huizenprijzen of Fashion-MNIST. Aanbevolen voor beginnende data scientists!"
Adam Powell beoordeelde het: 5 van de 5 sterren.
"De perfecte lectuur voor een analist die wil overstappen naar machine learning. Het behandelt breed alle belangrijke algoritmen met een inzichtelijk perspectief van een beoefenaar. Sterk aanbevolen!"
DigitalSreeni: Boekrecensie - Machine Learning met scikit-learn en scientific python toolkits
Dimitri Bianco: Hands-On Machine Learning met scikit-learn en Scientific Python Toolkit
Het boek heeft 13 hoofdstukken en is geschreven voor ML-beoefenaars die een duidelijk, praktisch pad willen. Je zult intuïtie opbouwen, de workflow van begin tot eind leren, en vertrekken met codepatronen die je kunt hergebruiken in echte projecten.
Je zult behandelen:
"Hands-On Machine Learning met Scikit-Learn" wordt over het algemeen goed ontvangen in de machine learning-gemeenschap. Het staat bekend om zijn praktische aanpak, waarbij lezers hands-on voorbeelden en oefeningen krijgen met behulp van de Scikit-Learn bibliotheek.
Het boek behandelt fundamentele concepten en technieken in machine learning, waardoor het geschikt is voor beginners en gevorderde leerlingen. Het wordt vaak geprezen om zijn duidelijke uitleg en codevoorbeelden die lezers helpen machine learning algoritmen effectief te begrijpen en toe te passen.
Start je machine learning reis door deze link* te bezoeken
Links naar Amazon zijn affiliate links.
Tarek Amr