Praktyczne uczenie maszynowe dla danych strumieniowych z Pythonem: Projektowanie, rozwój i walidacja modeli uczenia się online

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models

Zawartość książki:

Rozdział 1: Wprowadzenie do danych strumieniowych Cel rozdziału: Zapoznanie czytelników z koncepcją danych strumieniowych, różnymi wyzwaniami z nimi związanymi, niektórymi z ich rzeczywistych zastosowań biznesowych, różnymi technikami okienkowania oraz koncepcjami algorytmów uczenia przyrostowego i online. Rozdział ten pomoże również w zrozumieniu koncepcji oceny modelu w przypadku danych strumieniowych i zapewni wprowadzenie do frameworka Scikit-Multiflow w Pythonie. Liczba stron - 35Podtematy 1. Strumieniowe przesyłanie danych2. Wyzwania związane z danymi strumieniowymi3. Dryf koncepcji4. Zastosowania danych strumieniowych5. Techniki okienkowania6. Przyrostowe uczenie się i uczenie się online7. Ilustracja: Adaptacja uczenia wsadowego do uczenia przyrostowego8. Wprowadzenie do frameworka Scikit-Multiflow9. Ocena algorytmów strumieniowych.

Rozdział 2: Wykrywanie zmianCel rozdziału: Pomoc czytelnikom w zrozumieniu różnych algorytmów wykrywania zmian / wykrywania dryfu koncepcji i ich implementacji na różnych zestawach danych przy użyciu Scikit-Multiflow. Liczba stron: 35Podtematy: 1. Problem wykrywania zmian2. Algorytmy wykrywania dryfu koncepcji3. ADWIN4. DDM5. EDDM6. Page Hinkley.

Rozdział 3: Uczenie nadzorowane i nienadzorowane dla danych strumieniowych Cel rozdziału: Pomoc czytelnikom w zrozumieniu różnych algorytmów regresji i klasyfikacji (w tym uczenia zespołowego) dla danych strumieniowych i ich implementacji na różnych zestawach danych przy użyciu Scikit-Multiflow. Omówienie niektórych podejść do klastrowania danych strumieniowych i ich implementacji przy użyciu języka Python. Liczba stron: 35Podtematy: 1. Regresja z wykorzystaniem danych strumieniowych2. Klasyfikacja z wykorzystaniem danych strumieniowych3. Uczenie zespołowe z wykorzystaniem danych strumieniowych4. Klasteryzacja z wykorzystaniem danych strumieniowych.

Rozdział 4: Inne narzędzia i ścieżka rozwojuCel rozdziału: Zapoznanie czytelników z innymi narzędziami open source do obsługi danych strumieniowych, takimi jak Spark Streaming, MOA i inne. Ponadto, zapoznanie czytelnika z dodatkowymi lekturami dotyczącymi zaawansowanych tematów związanych z analizą danych strumieniowych. Liczba stron: 35Podtematy: 1. Inne narzędzia do obsługi danych strumieniowych1. 1. 1. Apache Spark1. 1. 2. Massive Online Analysis (MOA)1. 1. 3. Apache Kafka2. Aktywne obszary badawcze i przełomy w strumieniowej analizie danych3. Wnioski.