python machine learning book 2nd edition
1.0.0
Bitte beachten Sie, dass ab Dezember 2019 eine neue Edition (3. Edition) verfügbar ist. Der Code-Repository-Link für die 3. Edition lautet https://github.com/rasbt/python-machine-learning-book-3rd-edition.
Python Machine Learning, 2. Aufl.
veröffentlicht am 20. September 2017
Taschenbuch: 622 Seiten
Herausgeber: Packt Publishing
Sprache: Englisch
ISBN-10: 1787125939
ISBN-13: 978-1787125933
Kindle-ASIN: B0742K7HYF
Hilfreiche Installations- und Einrichtungsanweisungen finden Sie in der Datei README.md in Kapitel 1
Um auf die Codematerialien für ein bestimmtes Kapitel zuzugreifen, klicken Sie einfach auf die Links open dir neben den Kapitelüberschriften, um zu den Kapitelunterverzeichnissen im Code-/Unterverzeichnis zu navigieren. Sie können auch auf die ipynb Links unten klicken, um das Jupyter-Notizbuch jedes Kapitels direkt auf GitHub zu öffnen und anzuzeigen.
Darüber hinaus enthalten die code/-Unterverzeichnisse auch .py-Skriptdateien, die aus den Jupyter Notebooks erstellt wurden. Ich empfehle jedoch dringend, wenn möglich in Ihrer Computerumgebung mit dem Jupyter-Notebook zu arbeiten. Die Jupyter-Notizbücher enthalten nicht nur die Bilder und Abschnittsüberschriften zur einfacheren Navigation, sondern ermöglichen auch die schrittweise Ausführung einzelner Codeausschnitte, was meiner Meinung nach für ein besseres Lernerlebnis sorgt.
Bitte beachten Sie, dass es sich dabei lediglich um die dem Buch beigefügten Codebeispiele handelt, die ich zu Ihrer Bequemlichkeit hochgeladen habe; Beachten Sie, dass diese Notizbücher ohne die Formeln und den beschreibenden Text möglicherweise nicht nützlich sind.
Oh, es gibt so viele Dinge, die wir verbessert oder hinzugefügt haben; Wo soll ich anfangen!? Das einzige Problem, das ganz oben auf meiner Prioritätenliste stand, war die Beseitigung aller unangenehmen Tippfehler, die während der Layoutphase oder durch mein Versehen entstanden sind. Ich habe das hilfreiche Feedback der Leser auf diese Weise sehr geschätzt! Darüber hinaus habe ich auf alle Rückmeldungen zu Abschnitten eingegangen, die möglicherweise verwirrend oder etwas unklar waren, Absätze umformuliert und zusätzliche Erklärungen hinzugefügt. Ein besonderer Dank geht außerdem an die hervorragenden Herausgeber der zweiten Auflage, die uns dabei sehr geholfen haben!
Auch die Figuren und Handlungsstränge sind viel hübscher geworden. Während den Lesern der grafische Inhalt sehr gefiel, kritisierten einige Leute den PowerPoint-ähnlichen Stil und das Layout. Deshalb habe ich beschlossen, jede kleine Figur mit einer hoffentlich ansprechenderen Auswahl an Schriftarten und Farben zu überarbeiten. Dank des Matplotlib-Teams, das viel Arbeit in Matplotlib 2.0 und das neue Designthema gesteckt hat, sehen die Datendiagramme jetzt auch viel besser aus.
Über all diese kosmetischen Korrekturen hinaus wurden hier und da neue Abschnitte hinzugefügt. Dazu gehört beispielsweise ein Abschnitt zum Umgang mit unausgeglichenen Datensätzen, der mehreren Lesern in der ersten Auflage fehlte, und unter anderem ein kurzer Abschnitt zur latenten Dirichlet-Zuordnung.
Da sich die Zeit und die Softwarewelt nach der Veröffentlichung der ersten Ausgabe im September 2015 weiterentwickelten, entschieden wir uns, die Einführung in Deep Learning durch Theano zu ersetzen. Keine Sorge, wir haben es nicht entfernt, aber es wurde grundlegend überarbeitet und basiert jetzt auf TensorFlow, das seit seiner Open-Source-Veröffentlichung durch Google im November 2015 zu einem wichtigen Bestandteil meiner Forschungstoolbox geworden ist. Zusammen mit der neuen Einführung in Deep Beim Lernen mit TensorFlow sind die größten Neuerungen dieser neuen Ausgabe drei brandneue Kapitel, die sich auf Deep-Learning-Anwendungen konzentrieren: Ein detaillierterer Überblick über die TensorFlow-Mechanik, eine Einführung in Faltungs-Neuronale Netze zur Bildklassifizierung und eine Einführung zu wiederkehrenden neuronalen Netzen für die Verarbeitung natürlicher Sprache. Natürlich und ähnlich wie der Rest des Buches bieten diese neuen Kapitel den Lesern nicht nur praktische Anweisungen und Beispiele, sondern stellen auch die grundlegende Mathematik hinter diesen Konzepten vor, die ein wesentlicher Baustein für das Verständnis der Funktionsweise von Deep Learning sind .
[Auszug aus „Maschinelles Lernen kann in fast jeder Problemdomäne nützlich sein:“ Ein Interview mit Sebastian Raschka ]
Raschka, Sebastian und Vahid Mirjalili. Python Machine Learning, 2. Auflage . Packt Publishing, 2017.
@book{RaschkaMirjalili2017,
address = {Birmingham, UK},
author = {Raschka, Sebastian and Mirjalili, Vahid},
edition = {2},
isbn = {978-1787125933},
keywords = {Clustering,Data Science,Deep Learning,
Machine Learning,Neural Networks,Programming,
Supervised Learning},
publisher = {Packt Publishing},
title = {{Python Machine Learning, 2nd Ed.}},
year = {2017}
}
