Hodnotenie:
Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 2 hlasoch.
Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Aplikujte učenie pod dohľadom a bez dohľadu na riešenie praktických a reálnych problémov s veľkými dátami. Táto kniha vás naučí, ako navrhovať funkcie, optimalizovať hyperparametre, trénovať a testovať modely, vyvíjať potrubia a automatizovať proces strojového učenia (ML).
Kniha sa zaoberá rámcom pre distribuované klastrové výpočty v pamäti známym ako PySpark, platformami pre strojové učenie známymi ako scikit-learn, PySpark MLlib, H2O a XGBoost a rámcom pre hlboké učenie (DL) známym ako Keras.
Kniha sa začína predstavením modelov ML a DL pod dohľadom a bez dohľadu a potom skúma rámce veľkých dát spolu s rámcami ML a DL. Autor Tshepo Chris Nokeri uvažuje o parametrickom modeli známom ako Generalizovaný lineárny model a o regresnom modeli prežitia známom ako Coxov model proporcionálnych rizík spolu s modelom Accelerated Failure Time (AFT). Predstavený je aj binárny klasifikačný model (logistická regresia) a ansámblový model (Gradient Boosted Trees). V knihe sa uvádza DL a umelá neurónová sieť známa ako klasifikátor MLP (Multilayer Perceptron). Zahrnutý je spôsob vykonávania zhlukovej analýzy pomocou modelu K-Means. Skúmajú sa techniky redukcie dimenzie, ako je analýza hlavných komponentov a lineárna diskriminačná analýza. A rozoberá sa automatizované strojové učenie.
Táto kniha je určená pre stredne pokročilých dátových vedcov a inžinierov strojového učenia, ktorí sa chcú naučiť aplikovať kľúčové rámce pre veľké objemy dát a rámce ML a DL. Budete potrebovať predchádzajúce znalosti základov štatistiky, programovania v jazyku Python, teórií pravdepodobnosti a prediktívnej analýzy.
Čo sa naučíte
⬤ Pochopiť rozšírené učenie pod dohľadom a bez dohľadu vrátane kľúčových techník redukcie dimenzií.
⬤ Znáte vrstvy analýzy veľkých dát, ako je vizualizácia dát, pokročilá štatistika, prediktívna analýza, strojové učenie a hlboké učenie.
⬤ Integrovať rámce veľkých dát s hybridom rámcov strojového učenia a rámcov hlbokého učenia.
⬤ Navrhovať, vytvárať, testovať a overovať kvalifikované strojové modely a modely hlbokého učenia.
⬤ Optimalizovať výkonnosť modelov pomocou transformácie údajov, regularizácie, odstraňovania odľahlých hodnôt, optimalizácie hyperparametrov a zmeny pomeru rozdelenia údajov.
Pre koho je táto kniha určená
Dátovým vedcom a inžinierom strojového učenia so základnými znalosťami a pochopením programovania v jazyku Python, teórií pravdepodobnosti a prediktívnej analýzy.
