Машинное обучение: карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python
Soon
Этот карманный справочник, содержащий подробные комментарии, таблицы и примеры, поможет вам ориентироваться в основах структурированного машинного обучения. Автор, Мэтт Харрисон, предлагает ценный учебник, который вы можете использовать как дополнительное пособие при обучении и как удобный ресурс для работы над своим следующим проектом машинного обучения. В этой книге, идеально подходящей для программистов, аналитиков данных и инженеров искусственного интеллекта, также содержатся обзор процесса машинного обучения и классификация структурированных данных. Кроме всего прочего, с ее помощью 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.
Go to description and details| Publisher | Вильямс |
| Series | O`Reilly |
| Publication year | 2020 |
| ISBN | 978-5-907203-17-4 |
| Weight, g | 330 |
Этот карманный справочник, содержащий подробные комментарии, таблицы и примеры, поможет вам ориентироваться в основах структурированного машинного обучения. Автор, Мэтт Харрисон, предлагает ценный учебник, который вы можете использовать как дополнительное пособие при обучении и как удобный ресурс для работы над своим следующим проектом машинного обучения. В этой книге, идеально подходящей для программистов, аналитиков данных и инженеров искусственного интеллекта, также содержатся обзор процесса машинного обучения и классификация структурированных данных. Кроме всего прочего, с ее помощью 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.
