Machine Learning in Action by Peter Harrington - Paperback

No lo use como tal, pero me pareció buen libro

is it too much for 2 stars?the codes have too much bugs

I am new to Machine Learning and I found the book a very good hands-on introduction on the subject. The author takes 8 of the Top 10 algorithms in Machine Learning (based on a 2007 survey paper) and implements them in Python. Other reviewers have pointed out that the theoretical explanations and code quality were somewhat lacking, and thats true. However, even though Python is an extremely readable language, machine learning algorithms are (generally) hard, and I found that it helped to understand them better if I typed them out myself, copying/copy-pasting and restructuring the code as I went, and experimenting with the contents of the intermediate data structures in the REPL. Also, once you have a general idea of how it works, it becomes easier to parse the math in the paper on which the algorithm is based.I still don't completely understand all the implementations, but the book did give me some intuition about how to choose the right algorithm for a given problem. I believe that is also important since ML practitioners often use third party algorithms rather than code everything up from scratch. Of course, for the times you do need to code it up from scratch, you can get some valuable insights about machine learning algorithm design from the style adopted in the book - start small, visualize in 2D/3D for insights, then generalize to higher dimensions. The examples cover a wide range, from dating sites to semiconductor plants, so you get a feel for all the different places these algorithms can be applied.In short, if you want to "Just do ML", ie, quickly get started and pick up anything else you need along the way, then this book may be for you.

Testo introduttivo ai classici e maggiormente noti temi di Machine Leraning, declinati in una variante particolarmente orientata all'applicazione ( in Python ).Corredato da numerosi esempi di codice più o meno "completi" fanno di questo testo una reference di alto livello per chi volesse avvicinarsi per la prima volta al mondo del Machine Learning utilizzando Python e le librerie scientifiche che mette a disposizione.Consigliato!

Der Autor ist gelernter Elektronikingenieur. Er hat ein paar Jahre bei Intel gearbeitet. 2008 hat er sich - ohne zu inskribieren - erstmals in eine Statistikvorlesung gesetzt. Laut Buchrücken hat er bereits in zahlreichen akad. Journalen publiziert. Ich konnte kein ihm zuordenbares Werk ausfinding machen. Eine Anfrage im Verlagsforum blieb bisher unbeantwortet.Ich vermute vielmehr, dass Harrington seine eigenen Lernschritte und praktischen Experimente zu einem Buch verarbeitet hat. Er überfordert den Leser jedenfalls nicht mit hochgestochener Theorie und Mathematik. Persönlich habe ich mich manchmal eher unterfordert gefühlt. Das Buch hat allerdings auch nur den Anspruch einer Einführung.Die Auswahl der Algorithmen orientiert sich an den "Top 10 Algorithms in Datamining" ([1]). Er präsentiert im Buch davon acht. Die Auswahl ist plausibel. Sein eigener Beitrag ist die Programmierung von einfachen Varianten in Python. Nachdem ich noch nie in Python programmiert habe, kann ich die Qualität des Kodes nicht beurteilen. In Rezensionen auf Amazon.com wird er relativ heftig kritisiert. Auf der Verlagsseite gibt es jedenfalls einige errata. Kode ordentlich zu testen scheint heute bei Buchpublikationen nicht mehr üblich zu sein.Die für die Algorithmen verwendeten Beispielanwendungen sind - so wie das gesamte Buch - durchwachsen. Bei 2 Algorithmen verwendet der Autor die Überlebenschance bei Pferdekoliken. Er räumt ein, dass er von Pferden keine Ahnung hat und daher die Ergebnisse nicht beurteilen kann. Einige konstruierte Beispiele sind eher kurios. Z.B. der Zusammenhang zwischen IQ und der Anzahl der Gänge bei einem Fahrrad. Sehr gut hat mir hingegen eine Untersuchung über Abstimmungsmuster von US-Abgeordneten gefallen. Die größte Stärke des Buches ist überhaupt die Auflistung einer Reihe von interessanten Datenquellen. Im Anhang geht er noch auf MapReduce und Hadoop ein. Damit kann man mit von amazon angemieteten Serverfarmen sehr grosse Datenmengen durchackern. Es ist aber mehr eine Werbeeinschaltung für das Hadoop in Action Buch.Das Buch leidet auch etwas an den mässigen Grafiken. Es werden in Scatterplots Punkte aus verschiedenen Gruppen angezeigt. Der jeweilige Algorithmus soll die Gruppen separieren. Es ist aber kaum bis gar nicht erkennbar, zu welcher Gruppe ein Punkt gehört. Eine derartige Darstellung ist nur in Farbe sinnvoll. Gute Bücher (siehe [2]) verwenden dazu auch Farbgrafiken.Prinzipiell finde ich die Betonung des praktischen Aspektes, sich mit Daten die Hände schmutzig zu machen, an diesem Buch sehr sympathisch. Die Ausführung hätte aber in einigen Details wesentlich besser sein können.[1] Xindong Wu et al.: Top 10 Algorithms in Data Mining. Dieser - sehr bekannte Artikel - basiert auf einer Meinungsumfrage unter den Teilnehmern der IEEE International Conference on Datamining, Dec. 2006.[2] Bishop Christoper M.: Pattern Recognition and Machine Learning.