Calvin Candie
Вечный
Calvin Candie
Вечный
- 2 Сен 2018
- 50,552
- 7,503
Автор: Кайл Галлатин, Крис Элбон
Название: Машинное обучение с использованием Python (2026)
Сборник рецептов. Практические решения от предобработки до глубокого обучения 2 изд. (2026)
Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие.
Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn.
Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение.
Приведены рецепты решений с использованием: векторов, матриц и массивов; данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников;
обработки данных, текста, изображений, дат и времени; умень-шения размерности и методов выделения или отбора признаков; оценивания и отбора моделей;
линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации
и нейронных сетей; сохранения и загрузки натренированных моделей.
Во втором издании все примеры обновлены, рассмотрены задачи и фреймворки глубокого обучения, расширены разделы с тензорами, нейронными сетями и библиотекой глубокого обучения PyTorch.
Для разработчиков систем машинного обучения
В книге Вы найдете рецепты для:
Автор: Майкл Абель
Название: Машинное обучение с малым объемом кодирования (2026)
Практическое введение в искусственный интеллект на основе проектов (2026)
В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования,
обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras.
При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны.
Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости.
В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач.
Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей,
обучение пользовательских ML-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов.
Вы узнаете:
Подробнее:
Скачать:
Название: Машинное обучение с использованием Python (2026)
Сборник рецептов. Практические решения от предобработки до глубокого обучения 2 изд. (2026)
Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие.
Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn.
Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение.
Приведены рецепты решений с использованием: векторов, матриц и массивов; данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников;
обработки данных, текста, изображений, дат и времени; умень-шения размерности и методов выделения или отбора признаков; оценивания и отбора моделей;
линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации
и нейронных сетей; сохранения и загрузки натренированных моделей.
Во втором издании все примеры обновлены, рассмотрены задачи и фреймворки глубокого обучения, расширены разделы с тензорами, нейронными сетями и библиотекой глубокого обучения PyTorch.
Для разработчиков систем машинного обучения
В книге Вы найдете рецепты для:
- векторов, матриц и массивов;
- работы с данными из CSV, JSON, SQL, базами данных, облачными хранилищами и другими источниками;
- обработки числовых и категориальных данных, текста, изображений, дат и времени;
- уменьшения размерности с использованием методов выделения или отбора признаков;
- оценивания и отбора моделей;
- сохранения и загрузки натренированных моделей.
- линейной и логистической регрессии, деревьев, лесов и k ближайших соседей;
- опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей.
Автор: Майкл Абель
Название: Машинное обучение с малым объемом кодирования (2026)
Практическое введение в искусственный интеллект на основе проектов (2026)
В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования,
обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras.
При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны.
Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости.
В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач.
Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей,
обучение пользовательских ML-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов.
Вы узнаете:
- Как различать структурированные и неструктурированные данные и разбираться с проблемами, которые могут встретиться
- Как визуализировать и анализировать данные
- Как предварительно обрабатывать данные для ввода в модель машинного обучения
- Чем отличаются регрессионная и классификационная модели обучения с учителем
- Как сравнивать различные типы моделей ML и их архитектуры, начиная с моделей без кода и с малым объемом кода и заканчивая моделями пользовательского обучения
- Как проектировать, внедрять и настраивать модели ML
- Как экспортировать данные в репозиторий GitHub для хранения и управления ими
Подробнее:
Скрытое содержимое доступно для зарегистрированных пользователей!
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
