Opinie czytelników
Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.
Oryginalny tytuł:
Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Zawartość książki:
Zastosuj uczenie nadzorowane i nienadzorowane do rozwiązywania praktycznych i rzeczywistych problemów związanych z dużymi zbiorami danych. Ta książka uczy, jak tworzyć funkcje, optymalizować hiperparametry, trenować i testować modele, tworzyć potoki i automatyzować proces uczenia maszynowego (ML).
W książce omówiono rozproszoną strukturę obliczeniową w pamięci, znaną jako PySpark, platformy uczenia maszynowego znane jako scikit-learn, PySpark MLlib, H2O i XGBoost oraz strukturę głębokiego uczenia (DL) znaną jako Keras.
Książka rozpoczyna się od przedstawienia nadzorowanych i nienadzorowanych modeli ML i DL, a następnie analizuje ramy big data wraz z ramami ML i DL. Autor Tshepo Chris Nokeri rozważa model parametryczny znany jako uogólniony model liniowy oraz model regresji przeżycia znany jako model proporcjonalnych zagrożeń Coxa wraz z przyspieszonym czasem awarii (AFT). Przedstawiono również model klasyfikacji binarnej (regresja logistyczna) i model zespołowy (Gradient Boosted Trees). Książka wprowadza DL i sztuczną sieć neuronową znaną jako klasyfikator perceptronu wielowarstwowego (MLP). Omówiono sposób przeprowadzania analizy skupień przy użyciu modelu K-Means. Omówione zostały techniki redukcji wymiarów, takie jak analiza głównych składowych (Principal Components Analysis) i liniowa analiza dyskryminacyjna (Linear Discriminant Analysis). Omówiono także zautomatyzowane uczenie maszynowe.
Ta książka jest przeznaczona dla średnio zaawansowanych analityków danych i inżynierów uczenia maszynowego, którzy chcą dowiedzieć się, jak stosować kluczowe frameworki big data oraz frameworki ML i DL. Wymagana jest wcześniejsza znajomość podstaw statystyki, programowania w języku Python, teorii prawdopodobieństwa i analityki predykcyjnej.
Czego się nauczysz
⬤ Zrozumienie szeroko rozpowszechnionego uczenia nadzorowanego i nienadzorowanego, w tym kluczowych technik redukcji wymiaru.
⬤ Znajomość warstw analizy dużych zbiorów danych, takich jak wizualizacja danych, zaawansowane statystyki, analiza predykcyjna, uczenie maszynowe i uczenie głębokie.
⬤ Integracja frameworków big data z hybrydą frameworków uczenia maszynowego i głębokiego uczenia.
⬤ Projektować, budować, testować i weryfikować wykwalifikowane modele maszynowe i modele głębokiego uczenia.
⬤ Optymalizacja wydajności modelu przy użyciu transformacji danych, regularyzacji, usuwania wartości odstających, optymalizacji hiperparametrów i zmiany współczynnika podziału danych.
Dla kogo jest ta książka
Naukowcy zajmujący się danymi i inżynierowie uczenia maszynowego z podstawową wiedzą i zrozumieniem programowania w języku Python, teorii prawdopodobieństwa i analityki predykcyjnej.
