Machine Learning Pocket Reference: Trabajando con Datos Estructurados en Python

Opiniones de los lectores

El libro sirve como referencia práctica para personas con algunos conocimientos básicos en ciencia de datos y aprendizaje automático, ya que proporciona ejemplos de código concisos y un tratamiento exhaustivo de los pasos clave del proyecto. Sin embargo, adolece de problemas de producción y carece de profundidad en el contenido académico.

⬤ Excelente compañero para aquellos con algunos conocimientos básicos en ciencia de datos y Python.
⬤ Se centra en las implicaciones prácticas y en ejemplos claros y concisos por encima del denso contenido académico.
⬤ Los temas están bien segmentados para facilitar la consulta.
⬤ Cubre una variedad de técnicas de ML e introduce librerías recientes como Yellowbrick.
⬤ Ligero y portátil para una consulta rápida.

⬤ No enseña desde cero; no es adecuado para principiantes.
⬤ Carece de cobertura del aprendizaje profundo y de algunas bibliotecas modernas.
⬤ Problemas de calidad de producción con gráficos ilegibles y problemas de encuadernación.
⬤ Algunos revisores lo encontraron demasiado centrado en el código sin suficiente teoría matemática.

(basado en 13 opiniones de lectores)

Título original:

Machine Learning Pocket Reference: Working with Structured Data in Python

Contenido del libro:

Con notas detalladas, tablas y ejemplos, esta práctica referencia le ayudará a navegar por los fundamentos del aprendizaje automático estructurado. El autor, Matt Harrison, ofrece una valiosa guía que puede utilizar como apoyo adicional durante la formación y como recurso práctico cuando se sumerja en su próximo proyecto de aprendizaje automático.

Ideal para programadores, científicos de datos e ingenieros de IA, este libro incluye una visión general del proceso de aprendizaje automático y le guía a través de la clasificación con datos estructurados. También aprenderá métodos para agrupar, predecir un valor continuo (regresión) y reducir la dimensionalidad, entre otros temas.

Esta referencia de bolsillo incluye secciones que cubren:

⬤ Clasificación, utilizando el conjunto de datos Titanic.

⬤ Limpieza de datos y tratamiento de los datos que faltan.

⬤ Análisis exploratorio de datos.

⬤ Pasos comunes de preprocesamiento utilizando datos de muestra.

⬤ Selección de características útiles para el modelo.

⬤ Selección del modelo.

⬤ Métricas y evaluación de la clasificación.

⬤ Ejemplos de regresión usando k-nearest neighbor, árboles de decisión, boosting, y más.

⬤ Métricas para la evaluación de la regresión.

⬤ Clustering.

⬤ Reducción de dimensionalidad.

⬤ Pipelines de Scikit-learn.