Uczenie maszynowe i nauka o danych są dziś ogromnie modne. Dziedziny te błyskawicznie się rozwijają, a poszczególne techniki uczenia maszynowego znajdują coraz więcej najróżniejszych zastosowań. Wiedza, którą można uzyskać dzięki optymalnemu przygotowaniu danych i ich eksploracji, nieraz jest bezcenna.
Umiejętność ich analizy oraz wiedza o osiągalnych sposobach rozwiązywania problemów napotykanych w trakcie uczenia maszynowego są więc pokaźnymi atutami i mogą być stosowane w wielu gałęziach nauki, techniki i biznesu.
Z tego zwięzłego przewodnika po technikach uczenia maszynowego opartego na strukturalnych danych skorzystają programiści, badacze, osoby zajmujące się nauką o danych i twórcy systemów sztucznej inteligencji.
Znalazł się tu wyczerpujący opis procesu uczenia maszynowego i klasyfikacji danych strukturalnych. Przedstawiono także metody klastrowania danych, analizy regresji, redukcji wymiarowości oraz inne ważne zagadnienia.
Prezentowane treści zostały zilustrowane uwagami, tabelkami i przykładami kodu. Nie zabrakło opisu {pomocn|przydatn)ych bibliotek, niezwykle użytecznych w pracy analityka danych. W efekcie książka pozwala na szybkie rozwiązywanie różnego rodzaju problemów związanych z przetwarzaniem danych strukturalnych.
W książce między innymi: klasyfikacja, oczyszczanie i uzupełnianie braków danych eksploracyjna analiza danych i dobór modelu danych przykłady analiz regresji redukcja wymiarowości potoki w bibliotece scikit-learn Uczenie maszynowe: nowy wymiar analizy danych!
Powyższy opis pochodzi od wydawcy.
