Ansámblové metódy pre strojové učenie

Recenzie čitateľov

Kniha poskytuje komplexnú a praktickú príručku o ansámblových metódach v strojovom učení, ktorá zahŕňa teoretické poznatky aj praktickú implementáciu v jazyku Python. Je prínosná najmä pre tých, ktorí chcú zlepšiť svoje modely strojového učenia využitím silných stránok rôznych algoritmov.

Kniha je praktická, prístupná a interaktívna. Ponúka praktické pokrytie metód ensemble vhodných pre produkčné systémy a kladie dôraz na dôležité témy, ako je vysvetľovanosť a práca s kategorickými znakmi.

V recenziách nie sú uvedené žiadne významné nedostatky alebo nevýhody súvisiace s knihou.

(na základe 2 čitateľských recenzií)

Pôvodný názov:

Ensemble Methods for Machine Learning

Obsah knihy:

Ansámblové strojové učenie kombinuje silu viacerých prístupov strojového učenia, ktoré spolupracujú na vytváraní vysoko výkonných a vysoko presných modelov.

V knihe Ensemble Methods for Machine Learning nájdete:

⬤ Metódy pre klasifikáciu, regresiu a odporúčania.

⬤ Sofistikované hotové implementácie ansámblov.

⬤ Náhodné lesy, boosting a gradientný boosting.

⬤ Inžinierstvo vlastností a rozmanitosť ansámblov.

⬤ Interpretovateľnosť a vysvetliteľnosť metód zoskupenia.

Ansámblové strojové učenie trénuje rôznorodú skupinu modelov strojového učenia, aby spolupracovali, pričom agreguje ich výstupy a poskytuje bohatšie výsledky ako jediný model. V knihe Ensemble Methods for Machine Learning teraz objavíte základné metódy ensemble, ktoré sa osvedčili v súťažiach dátovej vedy aj v reálnych aplikáciách. Praktické prípadové štúdie vám ukážu, ako jednotlivé algoritmy fungujú v produkcii. Kým skončíte, budete poznať výhody, obmedzenia a praktické metódy aplikácie ansámblového strojového učenia na reálne dáta a budete pripravení vytvárať vysvetliteľnejšie ML systémy.

Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od vydavateľstva Manning Publications.

O technológii

Automaticky porovnávajte, porovnávajte a kombinujte výstupy z viacerých modelov, aby ste z údajov získali čo najlepšie výsledky. Ansámblové strojové učenie používa metódu "múdrosti davov", ktorá sa vyhýba nepresnostiam a obmedzeniam jedného modelu. Tým, že odpovede vychádzajú z viacerých hľadísk, môže tento inovatívny prístup poskytovať spoľahlivé predpovede aj bez masívnych súborov údajov.

O knihe

Ensemble Methods for Machine Learning vás naučí praktické techniky na súčasné použitie viacerých prístupov ML. Každá kapitola obsahuje jedinečnú prípadovú štúdiu, ktorá demonštruje plne funkčnú metódu ensemble, pričom príklady zahŕňajú lekársku diagnostiku, analýzu nálad, klasifikáciu rukopisu a ďalšie. Nie je tu žiadna zložitá matematika ani teória - budete sa učiť vizuálne, s dostatkom kódu na jednoduché experimentovanie!

Čo je vnútri

⬤ Bagging, boosting a gradientný boosting.

⬤ Metódy klasifikácie, regresie a vyhľadávania.

⬤ Interpretovateľnosť a vysvetliteľnosť metód zoskupenia.

⬤ Inžinierstvo vlastností a rozmanitosť ansámblov.

O čitateľovi

Pre programátorov v jazyku Python so skúsenosťami so strojovým učením.

O autorovi

Gautam Kunapuli má viac ako 15 rokov skúseností v akademickom prostredí a v odvetví strojového učenia.

Obsah

ČASŤ 1 - ZÁKLADY SÚBOROV

1 Metódy súborov: Hype alebo aleluja?

2. ČASŤ - ZÁKLADNÉ ANSÁMBLOVÉ METÓDY

2 Homogénne paralelné ansámble: Náhodné lesy.

3 Heterogénne paralelné súbory: Kombinácia silných učiacich sa.

4 Sekvenčné súbory: Adaptívne posilňovanie.

5 Sekvenčné súbory: Gradientné posilňovanie.

6 Sekvenčné súbory: Newtonov boosting.

ČASŤ 3 - ANSÁMBLE V PRAXI: PRISPÔSOBENIE METÓD ANSÁMBLOV VAŠIM ÚDAJOM

7 Učenie so spojitými a počítanými značkami.

8 Učenie s kategorickými príznakmi.

9 Vysvetľovanie vašich ensemblov.