Mastering Machine Learning Algorithms - Second Edition

- Autor:
- Giuseppe Bonaccorso


- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 798
- Dostępne formaty:
-
PDFePubMobi
Opis książki: Mastering Machine Learning Algorithms - Second Edition
Mastering Machine Learning Algorithms, Second Edition helps you harness the real power of machine learning algorithms in order to implement smarter ways of meeting today's overwhelming data needs. This newly updated and revised guide will help you master algorithms used widely in semi-supervised learning, reinforcement learning, supervised learning, and unsupervised learning domains.
You will use all the modern libraries from the Python ecosystem - including NumPy and Keras - to extract features from varied complexities of data. Ranging from Bayesian models to the Markov chain Monte Carlo algorithm to Hidden Markov models, this machine learning book teaches you how to extract features from your dataset, perform complex dimensionality reduction, and train supervised and semi-supervised models by making use of Python-based libraries such as scikit-learn. You will also discover practical applications for complex techniques such as maximum likelihood estimation, Hebbian learning, and ensemble learning, and how to use TensorFlow 2.x to train effective deep neural networks.
By the end of this book, you will be ready to implement and solve end-to-end machine learning problems and use case scenarios.
Wybrane bestsellery
-
Oto pierwszy tom dzieła, które stanowi inspirujące spojrzenie na sztuczną inteligencję. Jego zrozumienie nie wymaga wybitnej znajomości informatyki i matematyki. Książka jest wspaniałą syntezą wczesnych i późniejszych koncepcji, a także technik, przeprowadzoną we frameworku idei, metod i technolo...
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1 Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1
(0,00 zł najniższa cena z 30 dni)101.40 zł
169.00 zł(-40%) -
To drugi tom klasycznego podręcznika wiedzy o sztucznej inteligencji. Podobnie jak w wypadku pierwszej części, lektura tej książki nie wymaga wybitnej znajomości tematu. Dzięki przejrzystości tekstu i umiejętnemu unikaniu nadmiernego formalizmu można w dość łatwy sposób zrozumieć kluczowe idee i ...
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 2 Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 2
(0,00 zł najniższa cena z 30 dni)77.40 zł
129.00 zł(-40%) -
To drugie, zaktualizowane i poprawione wydanie bestsellerowego podręcznika Programowania w Pythonie pozwoli Ci błyskawicznie zacząć tworzyć kod, który działa! Zaczniesz od zrozumienia podstawowych koncepcji programistycznych, następnie nauczysz się zapewniać programom interaktywność i wykształcis...(0,00 zł najniższa cena z 30 dni)
59.40 zł
99.00 zł(-40%) -
W tej książce omówiono techniki wdrażania systemów na platformie AWS i zasady zarządzania nimi. Zaprezentowano podstawy korzystania z usługi Identity and Access Management oraz narzędzia sieciowe i monitorujące chmury AWS. Poruszono tematy Virtual Private Cloud, Elastic Compute Cloud, równoważeni...
AWS dla administratorów systemów. Tworzenie i utrzymywanie niezawodnych aplikacji chmurowych AWS dla administratorów systemów. Tworzenie i utrzymywanie niezawodnych aplikacji chmurowych
(0,00 zł najniższa cena z 30 dni)47.40 zł
79.00 zł(-40%) -
To kompleksowy podręcznik do nauki programowania w Pythonie. Jego piąte wydanie zostało gruntownie zaktualizowane i rozbudowane o dodatkowe treści. Omówiono tu najnowsze wersje Pythona w liniach 3.X i 2.X, czyli 3.3 i 2.7, i dodano opisy nowych lub rozszerzonych mechanizmów, takich jak obsługa fo...(0,00 zł najniższa cena z 30 dni)
119.40 zł
199.00 zł(-40%) -
Metody statystyczne są kluczowym elementem data science, mimo to niewielu specjalistów data science posiada formalne wykształcenie statystyczne. Kursy i podręczniki o podstawach statystyki, rzadko kiedy omawiają temat z perspektywy data science. W drugim wydaniu tego popularnego podręcznika zosta...
Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II
(0,00 zł najniższa cena z 30 dni)41.40 zł
69.00 zł(-40%) -
Uczenie maszynowe (ML) i sztuczna inteligencja (AI). Obok komputerów kwantowych to dwa główne, gorące tematy we współczesnej informatyce. Oba nieco tajemnicze, futurystyczne i przede wszystkim wymagające posiadania dość sporej wiedzy i umiejętności matematycznych. Stąd podręczniki akademickie poś...
Uczenie maszynowe. Elementy matematyki w analizie danych Uczenie maszynowe. Elementy matematyki w analizie danych
(0,00 zł najniższa cena z 30 dni)23.94 zł
39.90 zł(-40%) -
To drugie wydanie bestsellerowego przewodnika po technikach uczenia maszynowego. Wystarczą minimalne umiejętności programistyczne, aby dzięki tej książce nauczyć się budowania i trenowania głębokiej sieci neuronowej. Zawarto tu minimum teorii, a proces nauki jest ułatwiony przez liczne przykłady ...
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II
(0,00 zł najniższa cena z 30 dni)77.40 zł
129.00 zł(-40%) -
Lektura tej książki ułatwi Ci pozbycie się obaw przed biblioteką asyncio. Zrozumiesz jej podstawowe elementy, co pozwoli Ci na rozpoczęcie programowania sterowanego zdarzeniami i prostą obsługę tysięcy jednoczesnych połączeń sieciowych. Dowiesz się, dlaczego Asyncio stanowi bezpieczniejszą altern...(0,00 zł najniższa cena z 30 dni)
23.94 zł
39.90 zł(-40%) -
Ta książka jest zwięzłym, skupionym na praktyce przewodnikiem po Pythonie w wersji 3.6 i nowszych. Dzięki niej skoncentrujesz się na rdzeniu języka i podstawowych zagadnieniach, które musisz doskonale opanować, jeśli chcesz pisać w nim dobry kod. Dowiesz się zatem, jak działa Python i jakich zasa...(0,00 zł najniższa cena z 30 dni)
41.40 zł
69.00 zł(-40%)
O autorze książki
1 Giuseppe BonaccorsoGiuseppe Bonaccorso od wielu lat prowadzi projekty dotyczące sztucznej inteligencji. W kręgu jego głównych zainteresowań znajdują się takie techniki jak uczenie maszynowe, uczenie głębokie, uczenie przez wzmacnianie, a także praca z wielkimi zbiorami danych, systemy adaptacyjne inspirowane układami biologicznymi, kryptowaluty i programowanie neurolingwistyczne.
Giuseppe Bonaccorso - pozostałe książki
-
Celem tej książki jest przybliżenie profesjonalistom tajników złożonych algorytmów uczenia maszynowego i zasad ich stosowania w praktyce. Poza praktycznymi informacjami dotyczącymi działania algorytmów i ich wdrożeń znalazły się tu również niezbędne podstawy teoretyczne. Opisano klasyczne modele ...
Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
(53.40 zł najniższa cena z 30 dni)53.40 zł
89.00 zł(-40%) -
Discover the skill-sets required to implement various approaches to Machine Learning with Python
-
Demystify the complexity of machine learning techniques and create evolving, clever solutions to solve your problems Key Features Master supervised, unsupervised, and semi-supervised ML algorithms and their implementation Build deep learning models for object detection, image classification, si...
Python: Advanced Guide to Artificial Intelligence Python: Advanced Guide to Artificial Intelligence
Giuseppe Bonaccorso, Armando Fandango, Rajalingappaa Shanmugamani
-
An easy-to-follow, step-by-step guide for getting to grips with the real-world application of machine learning algorithms Key Features Explore statistics and complex mathematics for data-intensive applications Discover new developments in EM algorithm, PCA, and bayesian regression St...
-
Explore and master the most important algorithms for solving complex machine learning problems. Key Features Discover high-performing machine learning algorithms and understand how they work in depth. One-stop solution to mastering supervised, unsupervised, and semi-supervised machine learning...
-
Build strong foundation for entering the world of Machine Learning and data science with the help of this comprehensive guideAbout This BookGet started in the field of Machine Learning with the help of this solid, concept-rich, yet highly practical guide.Your one-stop solution for everything that...
Ebooka przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolonych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video zobaczysz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolonych urządzeniach i aplikacjach obsługujących format MP4 (pliki spakowane w ZIP)
Szczegóły książki
- Tytuł oryginału:
- Mastering Machine Learning Algorithms - Second Edition
- ISBN Ebooka:
- 978-18-388-2191-3, 9781838821913
- Data wydania ebooka:
-
2020-01-31
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
- Język publikacji:
- angielski
- Rozmiar pliku Pdf:
- 35.0MB
- Rozmiar pliku ePub:
- 24.4MB
- Rozmiar pliku Mobi:
- 24.4MB
- Kategorie:
Programowanie » Python - Programowanie
Uczenie maszynowe
Spis treści książki
- Why subscribe?
- About the author
- About the reviewer
- Preface
- Who this book is for
- What this book covers
- To get the most out of this book
- Download the example code files
- Download the color images
- Conventions used
- Get in touch
- Reviews
- Machine Learning Model Fundamentals
- Models and data
- Structure and properties of the datasets
- Limited Sample Populations
- Scaling datasets
- Whitening
- Training, validation, and test sets
- Cross-validation
- Structure and properties of the datasets
- Models and data
- Characteristics of a machine learning model
- Learnability
- Capacity of a model
- Vapnik-Chervonenkis capacity
- Bias of an estimator
- Underfitting
- Variance of an estimator
- Overfitting
- The Cramér-Rao bound
- Summary
- Further reading
- Loss Functions and Regularization
- Defining loss and cost functions
- Examples of cost functions
- Mean squared error
- Huber cost function
- Hinge cost function
- Categorical cross-entropy
- Examples of cost functions
- Defining loss and cost functions
- Regularization
- Examples of Regularization Techniques
- L2 or Ridge regularization
- L1 or Lasso regularization
- ElasticNet
- Early stopping
- Examples of Regularization Techniques
- Summary
- Further reading
- Introduction to Semi-Supervised Learning
- Semi-supervised scenario
- Causal scenarios
- Transductive learning
- Inductive learning
- Semi-supervised assumptions
- Smoothness assumption
- Cluster assumption
- Manifold assumption
- Semi-supervised scenario
- Generative Gaussian Mixture
- Generative Gaussian Mixture theory
- Example of a Generative Gaussian Mixture
- Generative Gaussian Mixtures summary
- Weighted log-likelihood
- Self-Training
- Self-Training theory
- Example of Self-Training with the Iris dataset
- Self-Training summary
- Co-Training
- Co-Training theory
- Example of Co-Training with the Wine dataset
- Co-Training summary
- Summary
- Further reading
- Advanced Semi-Supervised Classification
- Contrastive Pessimistic Likelihood Estimation
- CPLE Theory
- Example of contrastive pessimistic likelihood estimation
- CPLE Summary
- Contrastive Pessimistic Likelihood Estimation
- Semi-supervised Support Vector Machines (S3VM)
- S3VM Theory
- Example of S3VM
- S3VM Summary
- Transductive Support Vector Machines (TSVM)
- TSVM Theory
- Example of TSVM
- Analysis of different TSVM configurations
- TSVM Summary
- Summary
- Further reading
- Graph-Based Semi-Supervised Learning
- Label propagation
- Example of label propagation
- Label propagation in scikit-learn
- Label spreading
- Example of label spreading
- Increasing the smoothness with Laplacian regularization
- Label propagation based on Markov random walks
- Example of label propagation based on Markov random walks
- Manifold learning
- Isomap
- Example of Isomap
- Isomap
- Locally linear embedding
- Example of LLE
- Laplacian Spectral Embedding
- Example of Laplacian Spectral Embedding
- t-SNE
- Example of t-distributed stochastic neighbor embedding
- Summary
- Further reading
- Clustering and Unsupervised Models
- K-nearest neighbors
- K-d trees
- Ball trees
- Fitting a KNN model
- Example of KNN with scikit-learn
- K-nearest neighbors
- K-means
- K-means++
- Example of K-means with scikit-learn
- Evaluation metrics
- Homogeneity score
- Completeness score
- Adjusted Rand index
- Silhouette score
- Summary
- Further reading
- Advanced Clustering and Unsupervised Models
- Fuzzy C-means
- Example of Fuzzy C-means with SciKit-Fuzzy
- Fuzzy C-means
- Spectral clustering
- Example of spectral clustering with scikit-learn
- DBSCAN
- Example of DBSCAN with scikit-learn
- The Calinski-Harabasz score
- The Davies-Bouldin score
- Example of DBSCAN with scikit-learn
- Analysis of DBSCAN results
- Summary
- Further reading
- Clustering and Unsupervised Models for Marketing
- Biclustering
- Example of Spectral Biclustering with Scikit-Learn
- Biclustering
- Introduction to Market Basket Analysis with the Apriori Algorithm
- Example of Apriori in Python
- Summary
- Further reading
- Generalized Linear Models and Regression
- GLMs
- Least Squares Estimation
- Bias and Variance of Least Squares Estimators
- Example of Linear regression with Python
- Computing Linear regression Confidence Intervals with Statsmodels
- Increasing the robustness to outliers with Huber loss
- GLMs
- Other regression techniques
- Ridge Regression
- Example of Ridge Regression with scikit-learn
- Ridge Regression
- Risk modeling with Lasso and Logistic Regression
- Example of Risk modeling with Lasso and Logistic Regression
- Polynomial Regression
- Examples of Polynomial Regressions
- Isotonic Regression
- Example of Isotonic Regression
- Summary
- Further reading
- Introduction to Time-Series Analysis
- Time-series
- Smoothing
- Time-series
- Introduction to linear models for time-series
- Autocorrelation
- AR, MA, and ARMA processes
- Modeling non-stationary trend models with ARIMA
- Summary
- Further reading
- Bayesian Networks and Hidden Markov Models
- Conditional probabilities and Bayes theorem
- Conjugate priors
- Conditional probabilities and Bayes theorem
- Bayesian networks
- Sampling from a Bayesian network
- Direct sampling
- A gentle introduction to Markov Chains
- Gibbs sampling
- The Metropolis-Hastings algorithm
- Sampling from a Bayesian network
- Sampling using PyMC3
- Running the Sampling Process
- Sampling using PyStan
- Hidden Markov Models
- The Forward-Backward algorithm
- Forward phase
- Backward phase
- HMM parameter estimation
- The Forward-Backward algorithm
- The Viterbi algorithm
- Finding the most likely hidden state sequence using the Viterbi algorithm and hmmlearn
- Summary
- Further reading
- The EM Algorithm
- MLE and MAP Learning
- EM Algorithm
- Convex functions and the Jensen's inequality
- Application of the Jensen's inequality to the EM algorithm
- An example of parameter estimation
- Gaussian Mixture
- Example of Gaussian Mixture with scikit-learn
- Determining the optimal number of components using AIC and BIC
- Automatic component selection using Bayesian Gaussian Mixture
- Summary
- Further reading
- Component Analysis and Dimensionality Reduction
- Factor Analysis
- Linear relation analysis
- Example of Factor Analysis with scikit-learn
- Factor Analysis
- Principal Component Analysis
- Component importance evaluation
- Example of PCA with scikit-learn
- Kernel PCA
- Sparse PCA
- Independent Component Analysis
- Example of FastICA with scikit-learn
- Addendum to Hidden Markov Models
- Summary
- Further reading
- Hebbian Learning
- Hebb's rule
- Analysis of the Covariance Rule
- Example of application of the covariance rule
- Analysis of the Covariance Rule
- Weight vector stabilization and Oja's rule
- Hebb's rule
- Sanger's network
- Example of Sanger's network
- Rubner-Tavan's network
- Example of Rubner-Tavan's Network
- Self-organizing maps
- Kohonen Maps
- Example of SOM
- Summary
- Further reading
- Fundamentals of Ensemble Learning
- Ensemble learning fundamentals
- Random forests
- Random forest fundamentals
- Why use Decision Trees?
- Random forests and the bias-variance trade-off
- Example of random forest with scikit-learn
- Feature importance
- AdaBoost
- AdaBoost.SAMME
- AdaBoost.SAMME.R
- AdaBoost.R2
- Example of AdaBoost with scikit-learn
- Summary
- Further reading
- Advanced Boosting Algorithms
- Gradient boosting
- Loss functions for gradient boosting
- Example of gradient tree boosting with scikit-learn
- Example of gradient boosting with XGBoost
- Evaluating the predictive power of the features
- Gradient boosting
- Ensembles of voting classifiers
- Example of voting classifiers with scikit-learn
- Ensemble learning as model selection
- Summary
- Further reading
- Modeling Neural Networks
- The basic artificial neuron
- The perceptron
- Example of a Perceptron with scikit-learn
- Multilayer Perceptrons (MLPs)
- Activation functions
- Sigmoid and Hyperbolic Tangent
- Rectifier activation functions
- Softmax
- Activation functions
- The back-propagation algorithm
- Stochastic gradient descent (SGD)
- Weight initialization
- Example of MLP with TensorFlow and Keras
- Summary
- Further reading
- Optimizing Neural Networks
- Optimization algorithms
- Gradient perturbation
- Momentum and Nesterov momentum
- SGD with Momentum in TensorFlow and Keras
- RMSProp
- RMSProp in TensorFlow and Keras
- Optimization algorithms
- Adam
- Adam in TensorFlow and Keras
- AdaGrad
- AdaGrad with TensorFlow and Keras
- AdaDelta
- AdaDelta in TensorFlow and Keras
- Regularization and Dropout
- Regularization
- Regularization in TensorFlow and Keras
- Regularization
- Dropout
- Dropout with TensorFlow and Keras
- Batch normalization
- Example of batch normalization with TensorFlow and Keras
- Summary
- Further reading
- Deep Convolutional Networks
- Deep convolutional networks
- Convolutional operators
- Bidimensional discrete convolutions
- Strides and Padding
- Bidimensional discrete convolutions
- Atrous convolution
- Separable convolution
- Transpose convolution
- Pooling layers
- Other helpful layers
- Example of a deep convolutional network with TensorFlow and Keras
- Example of a deep convolutional network with TensorFlow/Keras and data augmentation
- Summary
- Further reading
- Recurrent Neural Networks
- Recurrent networks
- Backpropagation through time
- Limitations of BPTT
- Recurrent networks
- Long Short-Term Memory (LSTM)
- Gated Recurrent Unit (GRU)
- Example of an LSTM with TensorFlow and Keras
- Transfer learning
- Summary
- Further reading
- Autoencoders
- Autoencoders
- Example of a deep convolutional autoencoder with TensorFlow
- Autoencoders
- Denoising autoencoders
- Example of a denoising autoencoder with TensorFlow
- Sparse autoencoders
- Adding sparseness to the Fashion MNIST deep convolutional autoencoder
- Variational autoencoders
- Example of a VAE with TensorFlow
- Summary
- Further reading
- Introduction to Generative Adversarial Networks
- Adversarial training
- Deep Convolutional GANs
- Example of DCGAN with TensorFlow
- Mode collapse
- Wasserstein GAN
- Example of WGAN with TensorFlow
- Summary
- Further reading
- Deep Belief Networks
- Introduction to Markov random fields
- Restricted Boltzmann Machines
- Contrastive Divergence
- Deep Belief Networks
- Example of an unsupervised DBN in Python
- Example of a supervised DBN in Python
- Summary
- Further reading
- Introduction to Reinforcement Learning
- Fundamental concepts of RL
- The Markov Decision Process
- Environment
- Rewards
- A checkerboard environment in Python
- Policy
- Fundamental concepts of RL
- Policy iteration
- Policy iteration in the checkerboard environment
- Value iteration
- Value iteration in the checkerboard environment
- The TD(0) algorithm
- TD(0) in the checkerboard environment
- Summary
- Further reading
- Advanced Policy Estimation Algorithms
- TD() algorithm
- TD() in a more complex checkerboard environment
- Actor-Critic TD(0) in the checkerboard environment
- TD() algorithm
- SARSA algorithm
- SARSA in the checkerboard environment
- Q-learning
- Q-learning in the checkerboard environment
- Q-learning modeling the policy with a neural network
- Direct policy search through policy gradient
- Example of policy gradient with OpenAI Gym Cartpole
- Summary
- Further reading
- Other Books You May Enjoy
- Leave a review - let other readers know what you think
Packt Publishing - inne książki
-
Save time and effort when building 3D scenes with this essential guide to creating stunning photorealistic 3D environments in Blender
-
Solve classic computer science problems from fundamental algorithms, such as sorting and searching, to modern algorithms in machine learning and cryptography
40 Algorithms Every Programmer Should Know - Second Edition 40 Algorithms Every Programmer Should Know - Second Edition
-
Use modern Python libraries such as pandas, NumPy, and scikit-learn and popular machine learning and deep learning methods to solve financial modeling problems
-
Design, build, and deploy performant and maintainable web applications using Spring, Spring Boot, and Angular
-
Get up to speed with Oracle's Autonomous Databases and implementation strategies for any workload or use case, including transactional, data warehousing, and non-relational databases
Oracle Autonomous Database in Enterprise Architecture Oracle Autonomous Database in Enterprise Architecture
-
Build CD pipelines following GitOps principles like declarative and immutable changes stored in version control, all continuously reconciled by Argo CD, and minimize the failure of deployments.
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
W przypadku usługi "Druk na żądanie" termin dostarczenia przesyłki może obejmować także czas potrzebny na dodruk (do 10 dni roboczych)
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.


Oceny i opinie klientów: Mastering Machine Learning Algorithms - Second Edition Giuseppe Bonaccorso (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.