Ich habe das Buch "Theorie und Praxis von erfahrenen Datenwissenschaftlern Python Machine Learning Programming" gelesen, weil es gut aufgenommen wurde. https://www.amazon.co.jp/dp/B01HGIPIAK/ref=dp-kindle-redirect?_encoding=UTF8&btkr=1
Zu diesem Zeitpunkt fuhr ich mit der Studie fort, während ich Notizen in einer Notizdatei von Jupyter Notebooks machte, damit ich sie später überprüfen konnte. Ich möchte die Zusammenfassung zu diesem Zeitpunkt teilen, weil es eine große Sache ist. Ich fügte Punkte hinzu, die ich für besonders wichtig und als kleine Ergänzung hielt, und schrieb sie, damit sie als Memorandum über "Wie schreibt man mit dieser Methode, Scicit-Learn?" Verwendet werden können. Es gibt jedoch viele Teile, die weggelassen werden. Ich würde mich freuen, wenn Sie sich das Originalbuch ansehen und es wieder gutmachen könnten. Ich habe keine Notizen zu den Kapiteln 1,2,8,9,12,13 gemacht. (Deep Learning hat viele spezielle Bücher, daher ist es möglicherweise besser, dort zu studieren.)
Python Machine Learning Programming Summary Note (Jupyter) https://github.com/lyakaap/notebooks/tree/master/MachineLearning
Wenn Sie sich die Readme-Datei ansehen, können Sie sehen, welcher Inhalt in welcher Datei geschrieben ist.
Es ist ein Buch, das Sie empfehlen können, da Sie alle wichtigen Teile der maschinellen Lernmethode lernen können und die Erklärungen sehr sorgfältig geschrieben sind. Wenn Sie über ein wenig Mathematik- und Numpykenntnisse verfügen, können Sie diese als Grundvoraussetzung relativ flüssig lesen. Insbesondere fand ich es sehr attraktiv, lernen zu können, wie man mit Bibliotheken umgeht, die für maschinelles Lernen erforderlich sind, wie Pandas und Matplotlib, sowie Scicit-Learn über den Quellcode.
Recommended Posts