Głębokie uczenie się z wykorzystaniem danych strukturalnych

Opinie czytelników

Książka jest skierowana do początkujących w uczeniu maszynowym i obejmuje podstawowe tematy, takie jak czyszczenie danych i obsługa rzeczywistych zestawów danych. Jest ona jednak niewystarczająca dla tych, którzy są już zaznajomieni z uczeniem maszynowym i pragną dogłębnych treści dotyczących głębokiego uczenia się, ponieważ poświęca tylko dwa rozdziały głębokiemu uczeniu się i brakuje jej złożoności w dyskusjach.

⬤ Odpowiedni dla początkujących w uczeniu maszynowym
⬤ dokładne omówienie czyszczenia danych i wyzwań związanych z rzeczywistymi zbiorami danych
⬤ praktyczne przykłady wdrażania modeli i obsługi niezrównoważonych danych.

⬤ Niewystarczająca głębia tematów związanych z głębokim uczeniem
⬤ ograniczone do dwóch rozdziałów na temat głębokiego uczenia
⬤ wykorzystuje prostsze zbiory danych (np. MNIST), które mogą nie być zgodne z tytułem książki
⬤ antyklimatyczna wydajność modeli głębokiego uczenia w porównaniu z tradycyjnymi modelami, takimi jak XGBoost.

(na podstawie 3 opinii czytelników)

Oryginalny tytuł:

Deep Learning with Structured Data

Zawartość książki:

Deep Learning with Structured Data uczy potężnych technik analizy danych dla danych tabelarycznych i relacyjnych baz danych.

Podsumowanie

Głębokie uczenie oferuje potencjał do identyfikacji złożonych wzorców i relacji ukrytych w danych wszelkiego rodzaju. Deep Learning with Structured Data pokazuje, jak zastosować potężne techniki analizy głębokiego uczenia do rodzaju ustrukturyzowanych, tabelarycznych danych, które można znaleźć w relacyjnych bazach danych, na których polegają rzeczywiste firmy. Wypełniona praktycznymi, istotnymi aplikacjami, książka ta uczy, w jaki sposób głębokie uczenie może rozszerzyć istniejące systemy uczenia maszynowego i inteligencji biznesowej.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

Oto brudny sekret: połowa czasu w większości projektów data science spędzana jest na czyszczeniu i przygotowywaniu danych. Istnieje jednak lepszy sposób: Techniki głębokiego uczenia zoptymalizowane pod kątem danych tabelarycznych i relacyjnych baz danych zapewniają wgląd i analizę bez konieczności intensywnej inżynierii funkcji. Naucz się umiejętności odblokowywania wydajności głębokiego uczenia się przy znacznie mniejszym filtrowaniu danych, walidacji i szorowaniu.

O książce

Deep Learning with Structured Data uczy zaawansowanych technik analizy danych dla danych tabelarycznych i relacyjnych baz danych. Zacznij korzystać z zestawu danych opartego na systemie tranzytowym Toronto. W trakcie pracy z książką dowiesz się, jak łatwo jest skonfigurować dane tabelaryczne do głębokiego uczenia się, jednocześnie rozwiązując kluczowe problemy produkcyjne, takie jak wdrażanie i monitorowanie wydajności.

Co jest w środku

Kiedy i gdzie używać głębokiego uczenia.

Architektura modelu głębokiego uczenia Keras.

Trenowanie, wdrażanie i utrzymywanie modeli.

Mierzenie wydajności.

O czytelniku

Dla czytelników ze średniozaawansowanymi umiejętnościami Pythona i uczenia maszynowego.

O autorze

Mark Ryan jest Data Science Managerem w Intact Insurance. Posiada tytuł magistra informatyki uzyskany na Uniwersytecie w Toronto.

Spis treści

1 Dlaczego głębokie uczenie ze strukturalnymi danymi?

2 Wprowadzenie do przykładowego problemu i ramek danych Pandas.

3 Przygotowanie danych, część 1: Eksploracja i czyszczenie danych.

4 Przygotowanie danych, część 2: Przekształcanie danych.

5 Przygotowanie i tworzenie modelu.

6 Trenowanie modelu i przeprowadzanie eksperymentów.

7 Więcej eksperymentów z wytrenowanym modelem.

8 Wdrożenie modelu.

9 Zalecane kolejne kroki.