Ocena:
Książka stanowi kompleksowy i praktyczny przewodnik po metodach ensemble w uczeniu maszynowym, obejmujący zarówno teoretyczne zrozumienie, jak i praktyczną implementację w Pythonie. Jest to szczególnie korzystne dla tych, którzy chcą ulepszyć swoje modele uczenia maszynowego, wykorzystując mocne strony różnych algorytmów.
Zalety:Książka jest praktyczna, przystępna i interaktywna. Oferuje praktyczne omówienie metod ensemble odpowiednich dla systemów produkcyjnych i kładzie nacisk na ważne tematy, takie jak wyjaśnialność i obsługa cech kategorialnych.
Wady:W recenzjach nie wyszczególniono żadnych istotnych wad książki.
(na podstawie 2 opinii czytelników)
Ensemble Methods for Machine Learning
Zespołowe uczenie maszynowe łączy w sobie moc wielu podejść do uczenia maszynowego, współpracując ze sobą w celu dostarczenia modeli o wysokiej wydajności i dokładności.
Wewnątrz Ensemble Methods for Machine Learning znajdziesz:
⬤ Metody klasyfikacji, regresji i rekomendacji.
⬤ Zaawansowane implementacje gotowych rozwiązań.
⬤ Lasy losowe, boosting i boosting gradientowy.
⬤ Inżynieria cech i różnorodność zespołów.
⬤ Interpretowalność i wytłumaczalność metod ensemble.
Zespołowe uczenie maszynowe trenuje zróżnicowaną grupę modeli uczenia maszynowego do współpracy, agregując ich dane wyjściowe, aby zapewnić bogatsze wyniki niż pojedynczy model. W książce Ensemble Methods for Machine Learning odkryjesz podstawowe metody ensemble, które sprawdziły się zarówno w konkursach data science, jak i w rzeczywistych zastosowaniach. Praktyczne studia przypadków pokazują, jak każdy algorytm działa w produkcji. Zanim skończysz, poznasz korzyści, ograniczenia i praktyczne metody stosowania zespołowego uczenia maszynowego do rzeczywistych danych i będziesz gotowy do budowania bardziej zrozumiałych systemów ML.
Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.
O technologii
Automatycznie porównuj, zestawiaj i mieszaj dane wyjściowe z wielu modeli, aby wycisnąć najlepsze wyniki z danych. Zespołowe uczenie maszynowe stosuje metodę "mądrości tłumów", która pozwala uniknąć niedokładności i ograniczeń pojedynczego modelu. Opierając odpowiedzi na wielu perspektywach, to innowacyjne podejście może zapewnić solidne prognozy nawet bez ogromnych zbiorów danych.
O książce
Ensemble Methods for Machine Learning uczy praktycznych technik stosowania wielu podejść ML jednocześnie. Każdy rozdział zawiera unikalne studium przypadku, które demonstruje w pełni funkcjonalną metodę ensemble, z przykładami obejmującymi diagnostykę medyczną, analizę nastrojów, klasyfikację pisma ręcznego i wiele innych. Nie ma tu skomplikowanej matematyki ani teorii - będziesz uczyć się w sposób wizualny, z dużą ilością kodu ułatwiającego eksperymentowanie!
What's Inside
⬤ Bagging, boosting i gradient boosting.
⬤ Metody klasyfikacji, regresji i wyszukiwania.
⬤ Interpretowalność i objaśnialność metod ensemble.
⬤ Inżynieria cech i różnorodność zespołów.
O Czytelniku
Dla programistów Pythona z doświadczeniem w uczeniu maszynowym.
O autorze
Gautam Kunapuli ma ponad 15 lat doświadczenia w środowisku akademickim i branży uczenia maszynowego.
Spis treści
CZĘŚĆ 1 - PODSTAWY ZESPOŁÓW
1 Metody zespołowe: szum czy alleluja?
CZĘŚĆ 2 - PODSTAWOWE METODY ZESPOŁOWE
2 Jednorodne zespoły równoległe: Bagging i lasy losowe.
3 Niejednorodne zespoły równoległe: Łączenie silnych algorytmów uczących.
4 Zespoły sekwencyjne: Adaptacyjne wzmacnianie.
5 Zespoły sekwencyjne: Gradient boosting.
6 Zespoły sekwencyjne: Wzmocnienie Newtona.
CZĘŚĆ 3 - ZESPOŁY NA WOLNOŚCI: DOSTOSOWYWANIE METOD ZESPOŁÓW DO DANYCH
7 Uczenie się z etykietami ciągłymi i zliczanymi.
8 Uczenie się z cechami kategorycznymi.
9 Wyjaśnianie zespołów.
© 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)