Το βιβλίο απευθύνεται σε όσους θέλουν πραγματικά να ασχοληθουν επαγγελματικά με τις εφαρμογές της Python στην επιστήμη δεδομένων και όλα τα υποσύνολα της (Machine Learning. Deep Learning etc). Εν μέρει είναι καλό το γεγονός οτι δεν χρησιμοποιεί τα libraries scipy, scikit-learn και tensorflow, ανταυτού υλοποιεί αναλυτικά απλές στατιστικες μετρικές έως σχετικα πολύπλοκα μοντέλα ταξινομητών (Naive Bayes) και αυτό για έναν που δεν έχει πρότερη εμπειρία με αναλυση δεδομένων είναι το καλύτερο, ώστε να δει τα βασικά μαθηματικά εργαλεία που παίζουν ρόλο. Το βιβλίο προυποθέτει βασική γνώση python και οποιος κατάλαβε. Κατάλαβε. Σχολιάζει σχετικά κάθε μέθοδο και δίνει κάποιες φορές συμβουλές. Ίσως σε ζαλίζει λίγο που καλέι πολλές συναρτήσεις, συνέχεια, αλλα αυτό στο τέλος θα σου φανεί χρήσιμο γιατί βλέπεις πως ειναι να γραφεις reusable code και 2ον δεν προκειται ποτέ να σου ζητηθεί να γράψεις knn, k-means, naive bayes from scratch οπως ο Grus, αφού βγάλεις αυτο το βιβλίο θα μπορείς να ξεκινήσεις το ψάξιμο στις βιβλιοθηκες scipy, scikit-learn, tensorflow και να καλείς καθε μοντέλο με 1 εντολή. Θα μου πείτε γιατι τοτε να διαβάσω αυτο το βιβλίο που τα κάνει ολα from scratch? Εγω θα πώ οτι ένας επιστήμονας δεδομένων πρεπει να ειναι ενας καλος μαθηματικός-στατιστικός, περα απο αξιοπρεπής προγραμματιστής, επομένως βλέποντας τα μαθηματικα που τρέχουν αλγοριθμοι ταξινομησης, ομαδοποιησης, παλινδρομησης, θα μπορείς να εχεις μια μυρωδιά τι κάνει κάθε αλγόριθμος, πιο είναι το concept του, ποια μεθοδο βολεύει καλύτερα για συγκεκριμένα προβλήματα και φυσικα πως μπορείς να κάνεις optimization καθε μεθοδο. Προσωπικά θα ήθελα περισσότερα σχόλια και συμβουλές targeted στην εργασία με δεδομένα (preprocessing, filling empty values) και πυκνωτικούς αλγορίθμους ομαδοποίησης. Εν κατακλείδι, αν συμφωνείτε εν μέρει με αυτά που λέω πάρτε το και για αρχή δε χρειάζεται να διαβασετε ολα τα κεφάλαια. Εγω προτείνω 1 εως 18 και 20.