Data Science Solutions with Python: Szybkie i skalowalne modele wykorzystujące Keras, PySpark MLlib, H2O, XGBoost i Scikit-Learn

Ocena:   (1,0 na 5)

Data Science Solutions with Python: Szybkie i skalowalne modele wykorzystujące Keras, PySpark MLlib, H2O, XGBoost i Scikit-Learn (Chris Nokeri Tshepo)

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.

Dodatkowe informacje o książce:

ISBN:9781484277614
Autor:
Wydawca:
Język:angielski
Oprawa:Miękka oprawa
Rok wydania:2021
Liczba stron:119

Zakup:

Obecnie dostępne, na stanie.

Inne książki autora:

Wdrażanie uczenia maszynowego w finansach: Systematyczne podejście do predykcyjnej analizy ryzyka i...
Połączenie uczenia maszynowego (ML) i głębokiego...
Wdrażanie uczenia maszynowego w finansach: Systematyczne podejście do predykcyjnej analizy ryzyka i wydajności portfeli inwestycyjnych - Implementing Machine Learning for Finance: A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios
Data Science Revealed: Inżynieria cech, wizualizacja danych, rozwój potoków i dostrajanie...
Sekcja 1: Metody parametryczneRozdział 1: Wprowadzenie do...
Data Science Revealed: Inżynieria cech, wizualizacja danych, rozwój potoków i dostrajanie hiperparametrów - Data Science Revealed: With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning
Ekonometria i nauka o danych: Zastosowanie technik Data Science do modelowania złożonych problemów i...
Poznaj zastosowanie metod uczenia maszynowego w...
Ekonometria i nauka o danych: Zastosowanie technik Data Science do modelowania złożonych problemów i wdrażania rozwiązań dla problemów ekonomicznych - Econometrics and Data Science: Apply Data Science Techniques to Model Complex Problems and Implement Solutions for Economic Problems
Data Science Solutions with Python: Szybkie i skalowalne modele wykorzystujące Keras, PySpark MLlib,...
Zastosuj uczenie nadzorowane i nienadzorowane do...
Data Science Solutions with Python: Szybkie i skalowalne modele wykorzystujące Keras, PySpark MLlib, H2O, XGBoost i Scikit-Learn - Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Sztuczna inteligencja w naukach medycznych i psychologii: Z zastosowaniem języka maszynowego, wizji...
Rozpocznij przygodę ze sztuczną inteligencją w...
Sztuczna inteligencja w naukach medycznych i psychologii: Z zastosowaniem języka maszynowego, wizji komputerowej i technik Nlp - Artificial Intelligence in Medical Sciences and Psychology: With Application of Machine Language, Computer Vision, and Nlp Techniques
Tworzenie aplikacji internetowych i analityka internetowa w czasie rzeczywistym z Pythonem:...
Dowiedz się, jak tworzyć i wdrażać pulpity nawigacyjne...
Tworzenie aplikacji internetowych i analityka internetowa w czasie rzeczywistym z Pythonem: Tworzenie i integracja algorytmów uczenia maszynowego w aplikacjach internetowych - Web App Development and Real-Time Web Analytics with Python: Develop and Integrate Machine Learning Algorithms Into Web Apps

Prace autora wydały następujące wydawnictwa:

© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)