为实习数据科学家和机器学习从业者配备正确的基础知识。
如果您是那些非常喜欢读书的工程师,那么这将非常吸引您。
如果不是,并且像我一样属于其他类别,那肯定需要一些时间来适应。
但从长远来看,培养阅读技能肯定会对你有所帮助,尤其是当有大量关于数据科学和机器学习(ML) 的书籍(电子书或其他)时。
注意:本文与本书、出版商或作者没有任何关系。
既然你已经知道我在说什么,让我们直接进入主题。我正在谈论的书是:Aurélien Géron 的 Hands-On Machine Learning with Scikit-Learn、Keras 和 TensorFlow(第 2 版)。如果有人在几年前开始我的数据科学之旅时推荐或提示我阅读这本书,那么我现在在这门学科上的基础要牢固得多,因为我早年花在收集和整理无数视频中的点点滴滴,在各种信息繁多的网站上花费了很多时间进行学习。
需要注意的一点是,从最近开始,我开始积极阅读,并且看了很多关于机器学习和数据科学的书籍。那么,这本书与其他书有何不同呢?
流行的 Python 深度学习库Keras的创建者François Chollet对这本书说:“学习机器学习的绝佳资源。您会发现思路清晰、直观的解释和大量实用技巧。”
这也是我对这本书体会最多的一点。我将它推荐给任何有兴趣学习实用机器学习的人,同时也希望对基础理论有一个很好的理解。
显然,需要 Python 和一般编程的基础知识来掌握解释清楚的概念和格式精美的代码背后的工作,但是,不需要机器学习的基础知识!
这本书从 ML 的基础开始,以循序渐进的方式慢慢地深入与该主题相关的各个子领域,在这方面这本书做得很好。
它不仅仅局限于 ML,它同样以详细的方式涵盖了整个深度学习(DL) 和神经网络。
ML 和 DL 中三个最流行的 Python 框架都有实际用途——Scikit-Learn、 Keras和Tensorflow.
为了实用,还包括一个示例机器学习端到端项目。
各个章节还包括详细、色彩丰富的插图和信息丰富的表格图表。
对于 ML,包括支持向量机、决策树、随机森林和集成方法在内的几种训练模型在不同的编码技术中进行了探索和布局。关于深度学习,探索了用于大多数深度学习应用的神经网络架构,包括卷积网络、循环网络和深度强化学习,既有理论解释,也有实际应用。
虽然任何人都可以很容易地理解实际应用,但总的来说,这本书也使理解基础理论变得非常容易,至少比我遇到的其他信息类文章要好得多。
每章末尾的挑战性和结构良好的练习是巩固每个模型背后的概念和实际用例的可靠方法。
综合考虑,这本书是机器学习或数据科学的初学者甚至中级从业者的宝贵工具,我推荐它作为任何人的数据科学库中的重要工具。
快速提示:图形处理单元 (GPU) 对于训练复杂的神经网络是必不可少的,因为它们显著加快了张量计算和模型训练的过程。我们中没有多少人能够接触到最新和先进的 GPU,因为它们可能非常昂贵。
不用担心,Google Colab 免费提供了对强大的云 GPU 的访问,以及类似 Python 环境的直观 Jupyter 笔记本。因此,如果您无法访问本地 GPU,可以利用 Google 的云 GPU。
最新2022-12-07
最新2022-11-23
最新2022-11-16
最新2022-11-04
最新2022-10-25
最新2022-10-11
最新2022-09-21
最新2022-09-15
最新2022-09-05
最新2022-08-28
最热2016-04-12
最热2015-10-12
最热2022-02-15
最热2016-02-21
最热2017-01-19
最热2020-10-13
最热2017-01-19
最热2016-08-17
最热2015-08-30
最热2016-02-21
最热2015-09-28
最热2021-09-08
最热2017-01-12
最热2021-08-10
最热2021-01-28
最热2021-11-03
最热2017-12-18
最热2016-03-08
最热2017-01-12
最热2021-02-05
抖音快手 热门资源 Site 最牛网 娱乐大家 超级最牛 世界之最 最排行榜 最牛发明 吉尼斯最 中国十大 世界十大 最奇葩事 最牛视图 流量套餐