Machine Learning in Practice with Python (Paperback)
Langue : anglais
Edité par Independently Published, 2026
- Livre broché
- Neuf
Vendeur : CitiRetail, Stevenage, Royaume-UniCitiRetail
Vendeur AbeBooks depuis 29 juin 2022
Etat: Neuf
EUR 25,06
Quantité disponible : 1 disponible
Ajouter au panierA propos de cet article
Paperback. Machine learning becomes much easier when you understand the complete process behind a trustworthy result.Machine Learning in Practice with Python gives beginners a structured path from raw data and a clearly defined problem to an evaluated, interpreted, and reusable predictive solution.Rather than overwhelming you with advanced mathematics or an endless collection of algorithms, this book focuses on the habits that matter in real projects. You will learn how to inspect information before using it, prepare features correctly, protect evaluation data, establish meaningful baselines, compare different approaches fairly, diagnose weak results, and improve your workflow using evidence instead of guesswork.Inside, you will learn how to: Set up a clean Python environment for reproducible experimentsWork confidently with NumPy, pandas, Matplotlib, JupyterLab, and scikit learnLoad, inspect, filter, sort, group, and transform tabular datasetsIdentify missing values, duplicate records, suspicious entries, and potential outliersSeparate identifiers from useful predictive variablesPrepare numerical and categorical information correctlyCreate reliable train and test splitsRecognize and prevent data leakageEncode categorical variables and scale numerical featuresEstablish simple baselines before adding complexityBuild and assess regression solutionsApply linear and regularized regression methodsBuild binary and multiclass classifiersWork with logistic regression and k nearest neighborsUnderstand confusion matrices, accuracy, precision, recall, and F1 scoreBuild decision trees, random forests, and gradient boosting solutionsCompare linear and tree based approachesDiscover groups using K Means clusteringApply principal component analysis for dimensionality reductionUse cross validation for more reliable comparisonsPerform grid search and randomized search efficientlyCreate reproducible preprocessing pipelinesEngineer more informative features from domain knowledgeHandle imbalanced classes with class weights and threshold adjustmentInvestigate variable importance and prediction errorsExplain results without confusing correlation with causationSave complete fitted pipelines for later useValidate incoming records before predictionRecord assumptions, limitations, dependencies, and metadataUnderstand basic monitoring and serialization security concernsThe final capstone combines the entire process into one complete project. You will define the objective, inspect and clean the dataset, create the preprocessing pipeline, establish a baseline, compare candidate approaches, use cross validation, tune the strongest candidate, examine errors, interpret results, test against protected data, save the finished pipeline, and create a reusable prediction workflow.This book is designed for new Python learners, students, analysts, career switchers, developers, and working professionals who want a dependable introduction to applied predictive analytics. Advanced programming experience is not required, and neither calculus nor advanced linear algebra is necessary.If you have seen tutorials that show you how to call fit() but leave you uncertain about what happens before and after that step, this book provides the missing structure.Learn how to move from raw information to evidence, build results you can defend, and develop a repeatable workflow you can apply to your own projects. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…
N° de réf. du vendeur 9798192593172
- Titre
- Machine Learning in Practice with Python (Paperback)
- Auteur
- Thom Haagenrud
- Éditeur
- Independently Published
- Année de publication
- 2026
- État de l'article
- new
- Reliure
- Paperback
- Langue
- anglais
- ISBN à 13 chiffres
- 9798192593172
Machine learning becomes much easier when you understand the complete process behind a trustworthy result.
Machine Learning in Practice with Python gives beginners a structured path from raw data and a clearly defined problem to an evaluated, interpreted, and reusable predictive solution.
Rather than overwhelming you with advanced mathematics or an endless collection of algorithms, this book focuses on the habits that matter in real projects. You will learn how to inspect information before using it, prepare features correctly, protect evaluation data, establish meaningful baselines, compare different approaches fairly, diagnose weak results, and improve your workflow using evidence instead of guesswork.
Inside, you will learn how to:
- Set up a clean Python environment for reproducible experiments
- Work confidently with NumPy, pandas, Matplotlib, JupyterLab, and scikit learn
- Load, inspect, filter, sort, group, and transform tabular datasets
- Identify missing values, duplicate records, suspicious entries, and potential outliers
- Separate identifiers from useful predictive variables
- Prepare numerical and categorical information correctly
- Create reliable train and test splits
- Recognize and prevent data leakage
- Encode categorical variables and scale numerical features
- Establish simple baselines before adding complexity
- Build and assess regression solutions
- Apply linear and regularized regression methods
- Build binary and multiclass classifiers
- Work with logistic regression and k nearest neighbors
- Understand confusion matrices, accuracy, precision, recall, and F1 score
- Build decision trees, random forests, and gradient boosting solutions
- Compare linear and tree based approaches
- Discover groups using K Means clustering
- Apply principal component analysis for dimensionality reduction
- Use cross validation for more reliable comparisons
- Perform grid search and randomized search efficiently
- Create reproducible preprocessing pipelines
- Engineer more informative features from domain knowledge
- Handle imbalanced classes with class weights and threshold adjustment
- Investigate variable importance and prediction errors
- Explain results without confusing correlation with causation
- Save complete fitted pipelines for later use
- Validate incoming records before prediction
- Record assumptions, limitations, dependencies, and metadata
- Understand basic monitoring and serialization security concerns
The final capstone combines the entire process into one complete project. You will define the objective, inspect and clean the dataset, create the preprocessing pipeline, establish a baseline, compare candidate approaches, use cross validation, tune the strongest candidate, examine errors, interpret results, test against protected data, save the finished pipeline, and create a reusable prediction workflow.
This book is designed for new Python learners, students, analysts, career switchers, developers, and working professionals who want a dependable introduction to applied predictive analytics. Advanced programming experience is not required, and neither calculus nor advanced linear algebra is necessary.
If you have seen tutorials that show you how to call fit() but leave you uncertain about what happens before and after that step, this book provides the missing structure.
Learn how to move from raw information to evidence, build results you can defend, and develop a repeatable workflow you can apply to your own projects.
« Synopsis » peut appartenir à une autre édition de cet ouvrage.
CitiRetail
Stevenage, Royaume-Uni
Vendeur AbeBooks depuis 29 juin 2022
Frais d'expédition de Royaume-Uni vers Etats-Unis
| Article | 7 à 14 jours ouvrés | 7 à 60 jours ouvrés |
|---|---|---|
| Premier article | EUR 43,95 | EUR 43,95 |
Modes de paiement
Description de la boutique
Online business
Profil professionnel du vendeur
ABC BOOKS LIMITED
10 John Street
London, Royaume-Uni WC1N 2EB
Conditions de vente
Orders can be returned within 30 days of receipt.
Droit de rétractation
Si vous êtes un consommateur, vous pouvez exercer votre droit de rétractation sur le contrat conformément à ce qui suit. Le mot « consommateur » désigne toute personne physique agissant à des fins qui n'entrent pas dans le cadre de son activité commerciale, artisanale ou professionnelle.
Informations concernant le droit de rétractation
Droit statutaire de rétractation
Vous avez le droit d'exercer votre droit de rétractation sur ce contrat dans les 14 jours sans donner de raison.
Le délai de rétractation expirera au bout de 14 jours à compter du jour où vous-même, ou un tiers autre que le transporteur et désigné par vous, prendrez physiquement possession de la dernière marchandise, du dernier lot ou de la dernière pièce.
Pour exercer votre droit de rétractation, remplissez électroniquement et envoyez une déclaration claire sur notre site Web, sous « Vos achats » dans « Votre compte ». Nous vous communiquerons sans délai un accusé de réception de cette rétractation sur un support durable (par exemple, par e-mail).
Pour respecter le délai de rétractation, il vous suffit d'envoyer votre message concernant l'exercice de votre droit de rétractation avant l'expiration du délai de rétractation.
Effets de la rétractation
Si vous exercez votre droit de rétractation sur ce contrat, nous vous rembourserons tous les paiements que vous avez effectués, y compris les frais de livraison (à l'exception des frais supplémentaires résultant du choix d'un mode de livraison autre que le type de livraison standard le moins cher que nous proposons).
Nous pouvons déduire du remboursement la perte de valeur de toute marchandise livrée, si la perte est le résultat d'une manipulation inutile de votre part.
Nous effectuerons le remboursement dans les meilleurs délais, et au plus tard 14 jours après le jour où nous aurons été informés de votre décision d'exercer votre droit de rétractation sur ce contrat.
Nous effectuerons le remboursement en utilisant le même moyen de paiement que celui que vous avez utilisé pour la transaction initiale, sauf si vous en avez expressément convenu autrement ; en tout état de cause, aucuns frais ne vous seront facturés à la suite d'un tel remboursement.
Nous pouvons suspendre le remboursement jusqu'à ce que nous ayons reçu les marchandises ou que vous ayez fourni la preuve que vous avez renvoyé les marchandises, en fonction de la première éventualité.
Vous devez renvoyer les marchandises ou les remettre à CitiRetail, Stevenage, United Kingdom, sans retard injustifié et, en tout état de cause, au plus tard 14 jours à compter du jour où vous nous avez communiqué votre décision de rétractation du présent contrat. Le délai est respecté si vous renvoyez les marchandises avant l'expiration du délai de 14 jours. Vous devrez prendre en charge les frais directs du renvoi des marchandises. Vous n'êtes responsable que de toute diminution de valeur des marchandises résultant d'une manipulation autre que celle nécessaire pour établir la nature, les caractéristiques et le fonctionnement des marchandises.
Exceptions au droit de rétractation
Le droit de rétractation ne s'applique pas à ce qui suit :
- Distribution de journaux, de revues ou de magazines, à l'exception des contrats d'abonnement ; et
- Fourniture d'un contenu numérique qui n'est pas fourni sur un support matériel (par exemple, sur un CD ou un DVD) si vous avez accepté, lors de votre commande, que nous puissions commencer à le livrer et que vous ne puissiez pas exercer votre droit de rétractation une fois la livraison commencée.
Conditions d'expédition
Please note that titles are dispatched from our US, Canadian or Australian warehouses. Delivery times specified in shipping terms. Orders ship within 2 business days. Delivery to your door then takes 7-14 days.