• Konzentriert sich auf Themen, die für den praktizierenden Machine-Learning-Anwender interessant sind
• Enthält eine grosse Anzahl wertvoller Codebeispiele für strukturierte Daten, die in der Praxis konkret weiterhelfen
• Zeigt, wie verschiedene Bibliotheken zur Lösung praktischer Fragestellungen eingesetzt werden

Diese praktische Referenz bietet eine Sammlung von Methoden, Ressourcen und Codebeispielen zur Lösung gängiger Machine-Learning-Probleme bei der Auswertung strukturierter Daten. Matt Harrison hat einen wertvollen Leitfaden zusammengestellt, den Sie als Nachschlagewerk und zur Anregung nutzen können: für eigene Projekte oder als Begleitmaterial für Machine-Learning-Kurse.

Das Buch ist ideal für Data Scientists, Softwareentwickler und Datenanalysten, die Machine Learning praktisch anwenden. Es bietet einen Überblick über den kompletten Machine-Learning-Prozess und stellt Ihnen verschiedene Bibliotheken und Modelle mit ihren jeweiligen Vor- und Nachteilen und Anpassungsmöglichkeiten vor. Die Codebeispiele sind so kompakt und nachvollziehbar, dass Sie sie für Ihre eigenen Projekte verwenden und auch gut anpassen können.

• Klassifikation veranschaulicht am Titanic-Datensatz
• Datenbereinigung und der Umgang mit fehlenden Daten
• Explorative Datenanalyse
• Typische Vorverarbeitungsschritte
• Auswahl von Merkmalen, die für das Modell relevant sind
• Modellauswahl und die Interpretation von Modellen
• Regression mit verschiedenen Machine-Learning-Techniken
• Metriken für die Klassifikations- und Regressionsbewertung
• Clustering und Dimensionsreduktion
• Scikit-learn-Pipelines