Metody zespołowe w uczeniu maszynowym

Opinie czytelników

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.

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.

W recenzjach nie wyszczególniono żadnych istotnych wad książki.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

Ensemble Methods for Machine Learning

Zawartość książki:

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.