![[Boekrecensie] Machine Learning Pocket Reference (Matt Harrison) Boeksamenvatting.](https://episodes.castos.com/660078c6833215-59505987/images/2593900/c1a-085k3-mkqpx9jma0mx-4e3wqi.jpg)
Show Notes
Machine Learning Pocket Reference (Matt Harrison)
- Amazon Netherlands Store: https://www.amazon.nl/dp/1492047546?tag=9natreedutch-21
- Amazon Belgium Store: https://www.amazon.com.be/dp/1492047546?tag=9natreebelgium-21
- Amazon Worldwide Store: https://global.buys.trade/Machine-Learning-Pocket-Reference-Matt-Harrison.html
- Apple Books: https://books.apple.com/us/audiobook/linux-the-quick-start-beginners-guide-unabridged/id1164191831?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Machine+Learning+Pocket+Reference+Matt+Harrison+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Lees meer: https://dutch.9natree.com/read/1492047546/
#Titanicclassificatie #ontbrekendewaarden #kenmerkselectie #regressieevaluatie #scikitlearnpipelines #MachineLearningPocketReference
Machine Learning Pocket Reference: Working with Structured Data in Python van Matt Harrison is een compacte, praktijkgerichte gids over machine learning voor tabelvormige data. Het boek, verschenen bij O’Reilly, richt zich op de dagelijkse stappen waarmee programmeurs, data-analisten en beginnende machinelearningbeoefenaars in Python te maken krijgen. De nadruk ligt niet op wiskundige afleidingen of het vanaf nul leren van Python, maar op het toepassen van gangbare bibliotheken, vooral binnen het ecosysteem van pandas en scikit-learn. Harrison behandelt de volledige praktische keten, van het opschonen en verkennen van gegevens tot het kiezen, trainen en beoordelen van modellen. Daarbij komen classificatie, regressie, clustering en dimensiereductie aan bod. De opzet als pocket reference bepaalt ook het doel. Dit is geen vervanging voor een uitgebreide opleiding in statistiek of machine learning, maar een naslagwerk met aantekeningen, tabellen en codegerichte voorbeelden. De lezer krijgt vooral houvast om bekende technieken zorgvuldig en doelgericht op gestructureerde datasets toe te passen.
- Amazon Netherlands Store: https://www.amazon.nl/dp/1492047546?tag=9natreedutch-21
- Amazon Belgium Store: https://www.amazon.com.be/dp/1492047546?tag=9natreebelgium-21
- Amazon Worldwide Store: https://global.buys.trade/Machine-Learning-Pocket-Reference-Matt-Harrison.html
- Apple Books: https://books.apple.com/us/audiobook/linux-the-quick-start-beginners-guide-unabridged/id1164191831?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Machine+Learning+Pocket+Reference+Matt+Harrison+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Lees meer: https://dutch.9natree.com/read/1492047546/
#Titanicclassificatie #ontbrekendewaarden #kenmerkselectie #regressieevaluatie #scikitlearnpipelines #MachineLearningPocketReference
Machine Learning Pocket Reference: Working with Structured Data in Python van Matt Harrison is een compacte, praktijkgerichte gids over machine learning voor tabelvormige data. Het boek, verschenen bij O’Reilly, richt zich op de dagelijkse stappen waarmee programmeurs, data-analisten en beginnende machinelearningbeoefenaars in Python te maken krijgen. De nadruk ligt niet op wiskundige afleidingen of het vanaf nul leren van Python, maar op het toepassen van gangbare bibliotheken, vooral binnen het ecosysteem van pandas en scikit-learn. Harrison behandelt de volledige praktische keten, van het opschonen en verkennen van gegevens tot het kiezen, trainen en beoordelen van modellen. Daarbij komen classificatie, regressie, clustering en dimensiereductie aan bod. De opzet als pocket reference bepaalt ook het doel. Dit is geen vervanging voor een uitgebreide opleiding in statistiek of machine learning, maar een naslagwerk met aantekeningen, tabellen en codegerichte voorbeelden. De lezer krijgt vooral houvast om bekende technieken zorgvuldig en doelgericht op gestructureerde datasets toe te passen.
