Recenze čtenářů
Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 2 hlasů.
Původní název:
Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Obsah knihy:
Použijte učení pod dohledem a bez dohledu k řešení praktických a reálných problémů s velkými objemy dat. Tato kniha vás naučí, jak navrhovat funkce, optimalizovat hyperparametry, trénovat a testovat modely, vyvíjet pipelines a automatizovat proces strojového učení (ML).
Kniha se zabývá in-memory, distribuovaným výpočetním rámcem pro clustery známým jako PySpark, platformami pro strojové učení známými jako scikit-learn, PySpark MLlib, H2O a XGBoost a rámcem pro hluboké učení (DL) známým jako Keras.
Kniha začíná představením modelů ML a DL s dohledem a bez dohledu a dále se zabývá rámci pro velká data spolu s rámci ML a DL. Autor Tshepo Chris Nokeri se zabývá parametrickým modelem známým jako zobecněný lineární model a regresním modelem přežití známým jako Coxův model proporcionálního rizika spolu se zrychlenou dobou selhání (AFT). Představen je také binární klasifikační model (logistická regrese) a ansámblový model (Gradient Boosted Trees). Kniha představuje DL a umělou neuronovou síť známou jako klasifikátor MLP (Multilayer Perceptron). Je zde popsán způsob provádění shlukové analýzy pomocí modelu K-Means. Zkoumají se techniky redukce dimenze, jako je analýza hlavních komponent a lineární diskriminační analýza. A je zde popsáno automatizované strojové učení.
Kniha je určena pro středně pokročilé datové vědce a inženýry strojového učení, kteří se chtějí naučit používat klíčové rámce pro big data a rámce ML a DL. Budete potřebovat předchozí znalosti základů statistiky, programování v jazyce Python, teorie pravděpodobnosti a prediktivní analýzy.
Co se naučíte
⬤ Pochopit rozšířené učení pod dohledem a bez dohledu, včetně klíčových technik redukce dimenze.
⬤ Znát vrstvy analýzy velkých dat, jako je vizualizace dat, pokročilá statistika, prediktivní analýza, strojové učení a hluboké učení.
⬤ Integrovat rámce pro big data s hybridem rámců strojového učení a rámců hlubokého učení.
⬤ Navrhovat, sestavovat, testovat a ověřovat kvalifikované strojové modely a modely hlubokého učení.
⬤ Optimalizovat výkonnost modelu pomocí transformace dat, regularizace, odstraňování odlehlých hodnot, optimalizace hyperparametrů a změny poměru rozdělení dat.
Pro koho je tato kniha určena
Datovým vědcům a inženýrům strojového učení se základními znalostmi a porozuměním programování v jazyce Python, teoriím pravděpodobnosti a prediktivní analytice.
