python machine learning book 2nd edition Descargar - python machine learning book 2nd edition Descarga del código fuente

python machine learning book 2nd edition

Pitón

1.0.0

Descargar

Repositorio de código de Python Machine Learning (2.ª ed.)

Tenga en cuenta que una nueva edición (tercera edición) ya está disponible a partir de diciembre de 2019. El enlace del repositorio de código para la tercera edición es https://github.com/rasbt/python-machine-learning-book-3rd-edition.

Aprendizaje automático de Python, 2.ª ed.

publicado el 20 de septiembre de 2017

Tapa blanda: 622 páginas
Editorial: Packt Publishing
Idioma: Inglés

ISBN-10: 1787125939
ISBN-13: 978-1787125933
ASIN de Kindle: B0742K7HYF

Campo de golf

Página de Amazon
Página del paquete

Tabla de contenidos y cuadernos de códigos

Puede encontrar instrucciones útiles de instalación y configuración en el archivo README.md del Capítulo 1.

Para acceder a los materiales de código para un capítulo determinado, simplemente haga clic en los enlaces open dir junto a los titulares de los capítulos para navegar a los subdirectorios de capítulos ubicados en el subdirectorio código/. También puede hacer clic en los enlaces ipynb a continuación para abrir y ver el cuaderno de Jupyter de cada capítulo directamente en GitHub.

Además, los subdirectorios code/ también contienen archivos de script .py, que se crearon a partir de Jupyter Notebooks. Sin embargo, recomiendo encarecidamente trabajar con el portátil Jupyter si es posible en su entorno informático. Los cuadernos de Jupyter no solo contienen imágenes y títulos de sección para una navegación más sencilla, sino que también permiten la ejecución paso a paso de fragmentos de código individuales, lo que, en mi opinión, proporciona una mejor experiencia de aprendizaje.

Tenga en cuenta que estos son sólo los ejemplos de código que acompañan al libro, que subí para su comodidad; Tenga en cuenta que estos cuadernos pueden no ser útiles sin las fórmulas y el texto descriptivo.

Aprendizaje automático: brindar a las computadoras la capacidad de aprender de los datos [open dir] [ipynb]
Entrenamiento de algoritmos de aprendizaje automático para clasificación [open dir] [ipynb]
Un recorrido por los clasificadores de aprendizaje automático que utilizan Scikit-Learn [open dir] [ipynb]
Creación de buenos conjuntos de formación: preprocesamiento de datos [open dir] [ipynb]
Compresión de datos mediante reducción de dimensionalidad [open dir] [ipynb]
Aprendizaje de las mejores prácticas para la evaluación de modelos y la optimización de hiperparámetros [open dir] [ipynb]
Combinando diferentes modelos para el aprendizaje conjunto [open dir] [ipynb]
Aplicación del aprendizaje automático al análisis de sentimientos [open dir] [ipynb]
Incrustar un modelo de aprendizaje automático en una aplicación web [open dir] [ipynb]
Predicción de variables objetivo continuas con análisis de regresión [open dir] [ipynb]
Trabajar con datos sin etiquetar: análisis de agrupación [open dir] [ipynb]
Implementación de una red neuronal artificial multicapa desde cero [open dir] [ipynb]
Paralelización del entrenamiento de redes neuronales con TensorFlow [open dir] [ipynb]
Profundizando: la mecánica de TensorFlow [open dir] [ipynb]
Clasificación de imágenes con redes neuronales convolucionales profundas [open dir] [ipynb]
Modelado de datos secuenciales utilizando redes neuronales recurrentes [open dir] [ipynb]

¿Qué hay de nuevo en la segunda edición respecto a la primera edición?

Oh, hay tantas cosas que mejoramos o agregamos; ¿Por dónde debería empezar? El único problema en la parte superior de mi lista de prioridades era corregir todos los errores tipográficos desagradables que se introdujeron durante la etapa de diseño o mi supervisión. ¡Realmente aprecié todos los comentarios útiles de los lectores de esta manera! Además, abordé todos los comentarios sobre secciones que podrían haber sido confusas o un poco confusas, reformulé párrafos y agregué explicaciones adicionales. Además, un agradecimiento especial a los excelentes editores de la segunda edición, ¡quienes ayudaron mucho a lo largo del camino!

Además, las figuras y las tramas se volvieron mucho más bonitas. Si bien a los lectores les gustó mucho el contenido gráfico, algunas personas criticaron el estilo y el diseño estilo PowerPoint. Por lo tanto, decidí revisar cada pequeña figura con una elección de fuentes y colores que, con suerte, sería más agradable. Además, los gráficos de datos se ven mucho mejor ahora, gracias al equipo de matplotlib que trabajó mucho en matplotlib 2.0 y su nuevo tema de estilo.

Más allá de todas estas correcciones cosméticas, se agregaron nuevas secciones aquí y allá. Entre ellos se encuentra, por ejemplo, una sección sobre cómo tratar conjuntos de datos desequilibrados, que a varios lectores les faltaba en la primera edición, y una breve sección sobre la asignación latente de Dirichlet, entre otras.

A medida que el tiempo y el mundo del software avanzaron después del lanzamiento de la primera edición en septiembre de 2015, decidimos reemplazar la introducción al aprendizaje profundo a través de Theano. No se preocupe, no lo eliminamos, pero recibió una revisión sustancial y ahora se basa en TensorFlow, que se ha convertido en un actor importante en mi caja de herramientas de investigación desde su lanzamiento de código abierto por parte de Google en noviembre de 2015. Junto con la nueva introducción a Deep aprendiendo usando TensorFlow, las mayores adiciones a esta nueva edición son tres capítulos completamente nuevos que se centran en aplicaciones de aprendizaje profundo: una descripción más detallada de la mecánica de TensorFlow, una introducción a las redes neuronales convolucionales para la clasificación de imágenes, y una introducción a las redes neuronales recurrentes para el procesamiento del lenguaje natural. Por supuesto, y en una línea similar al resto del libro, estos nuevos capítulos no solo brindan a los lectores instrucciones y ejemplos prácticos, sino que también presentan las matemáticas fundamentales detrás de esos conceptos, que son un componente esencial para comprender cómo funciona el aprendizaje profundo. .

[ Extracto de "El aprendizaje automático puede resultar útil en casi todos los ámbitos problemáticos:" Una entrevista con Sebastian Raschka ]

Raschka, Sebastián y Vahid Mirjalili. Aprendizaje automático de Python, 2.ª edición . Publicación de paquetes, 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}  
}