Cartea se adresează celor care doresc cu adevărat să se angajeze profesional în aplicații Python în știința datelor și în toate subdomeniile sale (Învățare Automată, Învățare Profundă, etc). Este în parte un lucru bun că nu utilizează bibliotecile scipy, scikit-learn și tensorflow. În schimb, implementează metrici statistice simple și modele de clasificare relativ complexe (Naive Bayes) în detaliu. Aceasta este cea mai bună abordare pentru cineva care nu are experiență anterioară în analiza datelor, deoarece le permite să vadă instrumentele matematice de bază care joacă un rol. Cartea presupune cunoștințe de bază în Python și oricine înțelege, înțelege. Comentează fiecare metodă și oferă sfaturi ocazional. Poate să te copleșească puțin cu utilizarea frecventă a funcțiilor, dar în final, se va dovedi utilă pe măsură ce vezi cum să scrii cod reutilizabil. În plus, nu ți se va cere niciodată să scrii knn, k-means sau naive bayes de la zero, așa cum face Grus. Odată ce termini această carte, vei putea începe să explorezi bibliotecile scipy, scikit-learn și tensorflow și să apelezi fiecare model cu doar o comandă. Poți să te întrebi de ce ar trebui să citești această carte care face totul de la zero? Aș spune că un specialist în știința datelor ar trebui să fie și un bun matematician-statistician, în plus față de a fi un programator competent. Prin urmare, înțelegând matematica din spatele algoritmilor de clasificare, clusterizare și regresie, vei dobândi o înțelegere a conceptului fiecărui algoritm, care metodă este cea mai potrivită pentru probleme specifice și, desigur, cum să optimizezi fiecare metodă. Personal, mi-ar fi plăcut mai multe comentarii și sfaturi referitoare la lucrul cu datele (preprocesare, completarea valorilor lipsă) și algoritmi de clusterizare densă. În concluzie, dacă ești în parte de acord cu ceea ce spun, ia-o și nu trebuie să citești toate capitolele imediat. Recomand capitolele 1 până la 18 și 20.