Metode de ansamblu pentru învățarea automată

Recenzii ale cititorilor

Cartea oferă un ghid cuprinzător și practic privind metodele de ansamblu în învățarea automată, acoperind atât înțelegerea teoretică, cât și implementarea practică în Python. Este deosebit de benefică pentru cei care doresc să își îmbunătățească modelele de învățare automată prin valorificarea punctelor forte ale diferiților algoritmi.

Cartea este practică, abordabilă și interactivă. Oferă o acoperire practică a metodelor de ansamblu potrivite pentru sistemele de producție și pune accentul pe subiecte importante, cum ar fi explicabilitatea și gestionarea caracteristicilor categoriale.

Recenzile nu specifică niciun dezavantaj semnificativ sau contra legat de carte.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

Ensemble Methods for Machine Learning

Conținutul cărții:

Ensemble machine learning combină puterea mai multor abordări de machine learning, lucrând împreună pentru a oferi modele extrem de performante și precise.

În Ensemble Methods for Machine Learning veți găsi:

⬤ Metode pentru clasificare, regresie și recomandări.

⬤ Implementări de ansamblu sofisticate.

⬤ Random forests, boosting și gradient boosting.

⬤ Ingineria caracteristicilor și diversitatea ansamblurilor.

⬤ Interpretabilitatea și explicabilitatea metodelor de ansamblu.

Metodele de învățare automată de tip ansamblu antrenează un grup divers de modele de învățare automată să lucreze împreună, agregând rezultatele acestora pentru a oferi rezultate mai bogate decât un singur model. Acum, în Ensemble Methods for Machine Learning veți descoperi metodele de ansamblu de bază care au rezultate dovedite atât în competițiile de știința datelor, cât și în aplicațiile din lumea reală. Studii de caz practice vă arată cum funcționează fiecare algoritm în producție. Când veți termina, veți cunoaște beneficiile, limitările și metodele practice de aplicare a învățării automate de ansamblu la datele din lumea reală și veți fi gata să construiți sisteme ML mai explicabile.

Achiziționarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre tehnologie

Comparați, contrastați și combinați automat rezultatele mai multor modele pentru a extrage cele mai bune rezultate din datele dvs. Învățarea automată cu ansambluri aplică o metodă de "înțelepciune a mulțimilor" care evită inexactitățile și limitările unui singur model. Bazând răspunsurile pe perspective multiple, această abordare inovatoare poate oferi predicții robuste chiar și fără seturi masive de date.

Despre carte

Ensemble Methods for Machine Learning vă învață tehnici practice pentru aplicarea simultană a mai multor abordări ML. Fiecare capitol conține un studiu de caz unic care demonstrează o metodă de ansamblu complet funcțională, cu exemple care includ diagnosticul medical, analiza sentimentelor, clasificarea scrisului de mână și multe altele. Nu există matematică sau teorie complexă - veți învăța într-o manieră vizuală în primul rând, cu cod amplu pentru experimentarea ușoară!

Ce este în interior

⬤ Bagging, boosting și gradient boosting.

⬤ Metode pentru clasificare, regresie și regăsire.

⬤ Interpretabilitate și explicabilitate pentru metodele de ansamblu.

⬤ Ingineria caracteristicilor și diversitatea ansamblurilor.

Despre cititor

Pentru programatorii Python cu experiență în învățarea automată.

Despre autor

Gautam Kunapuli are peste 15 ani de experiență în mediul academic și în industria învățării automate.

Tabla de conținut

PARTEA 1 - ELEMENTELE DE BAZĂ ALE ANSAMBLURILOR

1 Metode de ansamblu: Hype sau Aleluia?

PARTEA 2 - METODE ESENȚIALE DE ANSAMBLU

2 Ansambluri paralele omogene: Bagging și păduri aleatorii.

3 Ansambluri paralele eterogene: Combinarea învățătorilor puternici.

4 Ansambluri secvențiale: Boosting adaptiv.

5 Ansambluri secvențiale: Stimularea gradientului.

6 Ansambluri secvențiale: Newton boosting.

PARTEA 3 - ANSAMBLURI ÎN SĂLBĂTICIE: ADAPTAREA METODELOR DE ANSAMBLU LA DATELE DUMNEAVOASTRĂ

7 Învățarea cu etichete continue și de numărare.

8 Învățarea cu caracteristici categoriale.

9 Explicarea ansamblurilor dumneavoastră.