Menguasai Algoritma Machine Learning Teknik Ahli Untuk Menerapkan Algoritma Pembelajaran Mesin Populer, Menyempurnakan Model Anda, dan Memahami Cara Kerjanya JILID 3

Tujuan utama dari buku Menguasai Algoritma Machine Learning adalah untuk memperkenalkan pembaca pada teknik-teknik kompleks (seperti pembelajaran semi-supervisi dan manifold, model probabilistik, dan jaringan saraf), menyeimbangkan teori matematika dengan contoh-contoh praktis yang ditulis dengan Python (menggunakan kerangka kerja yang paling maju dan umum). Saya ingin mempertahankan pendekatan pragmatis, fokus pada penerapannya tetapi tidak pernah melupakan landasan teoretis. Pengetahuan yang kuat di bidang ini sebenarnya hanya dapat diperoleh dengan memahami logika yang mendasarinya, yang selalu diungkapkan dengan menggunakan konsep matematika. Upaya ekstra ini dihargai dengan kesadaran yang lebih kuat terhadap setiap pilihan spesifik dan membantu pembaca memahami cara menerapkan, memodifikasi, dan meningkatkan semua algoritma dalam konteks bisnis tertentu. Pembelajaran mesin adalah bidang yang sangat luas dan tidak mungkin mencakup semua topik dalam sebuah buku. Dalam hal ini, saya telah melakukan yang terbaik untuk meliput pilihan algoritma yang termasuk dalam pembelajaran yang diawasi, semi-diawasi, tanpa pengawasan, dan penguatan, memberikan semua referensi yang diperlukan untuk mengeksplorasi lebih jauh masing-masing algoritma tersebut. Contoh-contoh telah dirancang agar mudah dipahami tanpa perlu memahami kodenya secara mendalam; sebenarnya, saya percaya lebih penting untuk menunjukkan kasus-kasus umum dan membiarkan pembaca memperbaiki dan menyesuaikannya untuk menghadapi skenario tertentu. Mohon maaf atas kesalahannya: walaupun sudah banyak revisi yang dilakukan, ada kemungkinan ada beberapa detail (baik rumus maupun kodenya) yang hilang. Buku ini adalah sumber konten yang relevan (baik teoretis maupun praktis) bagi para profesional ilmu data dan insinyur pembelajaran mesin yang ingin mendalami algoritma pembelajaran mesin yang kompleks, kalibrasi model, dan meningkatkan prediksi model yang dilatih. Pengetahuan yang kuat tentang pembelajaran mesin dasar diperlukan untuk mendapatkan hasil terbaik dari panduan penguasaan ini. Selain itu, mengingat kompleksitas beberapa topik, diperlukan latar belakang matematika yang baik.