Auf dem Weg zur Python-Reise? Dann ist ‚Hands-on Machine Learning‘ ein Muss

Ein allumfassendes Buch über das maschinelle Lernen mit Python zu schreiben, ist schwierig, wenn man bedenkt, wie umfangreich das Gebiet ist. Aber es ist auch nicht leicht, ein Buch zu rezensieren, besonders wenn es sich um einen hochgelobten Titel handelt, wie z.B. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd Edition.

Das Buch ist ein Bestseller bei Amazon, und der Autor, Aurélien Géron, ist wohl einer der talentiertesten Autoren zum maschinellen Lernen mit Python.

Und nach der Lektüre von Hands-on Machine Learning muss ich sagen, dass Geron nicht enttäuscht, und die zweite Auflage ist eine ausgezeichnete Ressource bei Bitcoin Future für maschinelles Lernen mit Python. Geron hat es geschafft, mehr Themen abzudecken, als Sie in den meisten anderen allgemeinen Büchern über maschinelles Lernen mit Python finden können, einschließlich eines umfassenden Abschnitts über tiefgehendes Lernen.

Aber es gibt einige Vorbehalte, und wenn Sie nicht vorbereitet sind, werden Sie nicht in der Lage sein, alles zu schätzen, was Hands-on Machine Learning zu bieten hat.

Ein von oben nach unten gerichteter Ansatz für maschinelles Lernen

Praktisches maschinelles Lernen hat einen einzigartigen Ansatz. Gewöhnlich beginnt er mit einer Beschreibung der verschiedenen Konzepte des maschinellen Lernens auf hohem Niveau, um Ihnen eine allgemeine Vorstellung zu vermitteln; dann gehen Sie durch die praktische Codierung mit Python-Bibliotheken, ohne ins Detail zu gehen; schließlich, wenn Sie sich mit der Codierung und den Konzepten vertraut gemacht haben, heben Sie die Haube hoch und gehen auf den Punkt, wie die Mathematik und der Code funktionieren.

Um die fortgeschritteneren Themen, die in diesem Buch behandelt werden, zu verstehen, müssen Sie ein solides Verständnis der Python-Kodierung und einiger nützlicher Tricks wie Listenverständnis und Lambda-Funktionen sowie Grundkenntnisse über wichtige datenwissenschaftliche Bibliotheken wie Numpy, Pandas und Matplotlib haben.

Außerdem müssen Sie solide Kenntnisse in Algebra, Kalkül und den Grundlagen der Datenwissenschaft besitzen. Praktisches maschinelles Lernen setzt voraus, dass Sie Ihre Mathematik ziemlich gut beherrschen und nicht die Hand über partielle Ableitungen und Gradienten halten, wenn Sie den Abschnitt über das maschinelle Lernen erreichen.

Das Buch ist in zwei Abschnitte unterteilt, wobei der erste Abschnitt das allgemeine maschinelle Lernen und der zweite Abschnitt sich auf das tiefe Lernen konzentriert.

Das erste Kapitel des Buches ist eine der intuitivsten, beispielorientierten Einführungen in das maschinelle Lernen, die ich je in einem Buch gesehen habe. Selbst erfahrene Python-Entwickler durch Bitcoin Future für maschinelles Lernen werden es sehr nützlich finden, da es das bereits Bekannte festigt und subtile Konzepte auffrischt, die sie vielleicht vergessen haben.

Das Buch geht auch durch ein durchgängiges maschinelles Lernprojekt mit Python, das Sie durch Datenerfassung, Vorbereitung und Visualisierung führt, gefolgt von Modellerstellung, Schulung und Feinabstimmung. Sie führen alle Schritte durch, ohne zu sehr ins Detail zu gehen, was eine Gesamtvorstellung von der Pipeline des maschinellen Lernens vermittelt und Ihre Gedanken auf das Kommende vorbereitet.