Главная
»
Тематика определяется
» Машинное обучение. Карманный справочник. Краткое руководство по методам структурированного машинного
Харрисон М., Машинное обучение. Карманный справочник. Краткое руководство по методам структурированного машинного
Диалектика, 2020 г., 978-5-907203-17-4
Описание книги
Машинное обучение. Карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python.
В книгу Машинное обучение: карманный справочник, включены подробные примеры и комментарии, которые помогут вам оперативно ориентироваться в основах структурированного машинного обучения (МО). Автор, Мэтт Харрисон, предлагает ценный справочник, который вы можете использовать как дополнительное пособие при обучении МО и в качестве удобного ресурса, когда погружаетесь в ваш следующий проект машинного обучения. Приведенные фрагменты кода имеют такой размер, чтобы их можно было использовать и адаптировать в ваших собственных проектах МО.
Книга, идеально подходящая для программистов, аналитиков данных и инженеров искусственного интеллекта, содержит обзор процесса машинного обучения и знакомит вас с классификацией структурированных данных. В книге рассматриваются различные библиотеки и модели, их компромиссы, настройка и интерпретация. Кроме всего прочего вы изучите методы кластеризации, регрессии и уменьшения размерности.
Основные темы книги
Классификация с использованием набора данных Titanic
Как очистить данные и справиться с их недостатком
Разведочный анализ данных
Общие этапы предварительной обработки с использованием выборки данных
Выбор признаков, полезных для модели
Выбор модели
Оценка метрики и классификации
Примеры регрессии с использованием нескольких методов машинного обучения
Метрики для оценки регрессии
Кластеризация
Уменьшение размерности
Конвейеры Scikit-learn
При использовании этой книги предполагается знание языка программирования Python.
В книге демонстрируется, как использовать различные вспомогательные библиотеки Python для решения реальных задач МО.
Эта книга не заменит учебный курс по МО, но должна служить ориентиром того, что может охватывать прикладной курс машинного обучения. Автор использует ее в качестве справочного материала для курсов по анализу данных и машинному обучению, который он преподает.
Автор книги Мэтт Харрисон считает, что его книга - лучший сборник ресурсов и примеров для решения задач прогнозного моделирования, если у вас есть структурированные данные.
Поделиться ссылкой на книгу
Об авторе
|
Математика. Подготовка к ЕГЭ. Задачи с параметрами.10-11 классы
В предлагаемом пособии представлен обширный материал, посвященный двум заключительным и сложным темам ЕГЭ профильного уровня: задачам с параметрами и числам и их свойствам.
На многочисленных примерах с подробными решениями и обоснованиями (как и требуется на экзамене) показаны различные методы и решения задач.... |
|
План счетов бухгалтерского учета с последними изменениями
Читателю предлагается самая последняя редакция Плана счетов бухгалтерского учета финансово-хозяйственной деятельности организаций и инструкции по его применению с учетом последних приказов Минфина РФ. План счетов - это важнейший инструмент бухгалтерского учета, настольная книга для каждого практического бухгалтера.... |
|
На ферме. Книжка с наклейками
Игры с наклейками - занятие не только интересное, но и полезное. С этой книгой малыш познакомится с различными видами транспорта, потренируется решать простые логические задачки и находить соответствия.... |
Если Вы задавались вопросами "где найти книгу в интернете?", "где купить книгу?" и "в каком книжном интернет-магазине нужная книга стоит дешевле?", то наш сайт именно для Вас. На сайте книжной поисковой системы Книгопоиск Вы можете узнать наличие книги Харрисон М., Машинное обучение. Карманный справочник. Краткое руководство по методам структурированного машинного в интернет-магазинах. Также Вы можете перейти на страницу понравившегося интернет-магазина и купить книгу на сайте магазина. Учтите, что стоимость товара и его наличие в нашей поисковой системе и на сайте интернет-магазина книг может отличаться, в виду задержки обновления информации.