Name: Machine Learning Pocket Reference: Working With Structured Data in Python (en Inglés)
Price: 35.46 USD
Availability: InStock
Author: Harrison, Matt
ISBN: 9781492047544

portada Machine Learning Pocket Reference: Working With Structured Data in Python (en Inglés)

Machine Learning Pocket Reference: Working With Structured Data in Python (en Inglés)

Formato

Libro Físico

Autor

Matt Harrison

Editorial

O'Reilly Media

Año

2019

Idioma

Inglés

N° páginas

320

Encuadernación

Tapa Blanda

Dimensiones

17.8 x 10.8 x 1.7 cm

Peso

0.24 kg.

ISBN13

9781492047544

N° edición

Categorías

Lenguaje natural y traducción automática
Redes neuronales y sistemas difusos
Procesamiento de imágenes

Machine Learning Pocket Reference: Working With Structured Data in Python (en Inglés)

Matt Harrison (Autor) · O'Reilly Media · Tapa Blanda

Libro Nuevo Importado

Envío: 15 a 22 días háb.

$ 64.47$ 35.46

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 2 unidades

$ 35.46

Llega entre el 02 Sep y el 15 Sep a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Machine Learning Pocket Reference: Working With Structured Data in Python (en Inglés)"

With detailed notes, tables, and examples, this handy reference will help you navigate the basics of structured machine learning. Author Matt Harrison delivers a valuable guide that you can use for additional support during training and as a convenient resource when you dive into your next machine learning project.Ideal for programmers, data scientists, and AI engineers, this book includes an overview of the machine learning process and walks you through classification with structured data. You'll also learn methods for clustering, predicting a continuous value (regression), and reducing dimensionality, among other topics.This pocket reference includes sections that cover: Classification, using the Titanic datasetCleaning data and dealing with missing dataExploratory data analysisCommon preprocessing steps using sample dataSelecting features useful to the modelModel selectionMetrics and classification evaluationRegression examples using k-nearest neighbor, decision trees, boosting, and moreMetrics for regression evaluationClusteringDimensionality reductionScikit-learn pipelines