Recenzii ale cititorilor
În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 2 voturi.
Titlul original:
Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Conținutul cărții:
Aplicați învățarea supravegheată și nesupravegheată pentru a rezolva probleme practice și reale legate de big data. Această carte vă învață cum să creați caracteristici, să optimizați hiperparametrii, să antrenați și să testați modele, să dezvoltați conducte și să automatizați procesul de învățare automată (ML).
Cartea acoperă un cadru de calcul în memorie, distribuit în cluster, cunoscut sub numele de PySpark, platforme de învățare automată cunoscute sub numele de scikit-learn, PySpark MLlib, H2O și XGBoost și un cadru de învățare profundă (DL) cunoscut sub numele de Keras.
Cartea începe prin prezentarea modelelor ML și DL supravegheate și nesupravegheate, apoi examinează cadrele big data împreună cu cadrele ML și DL. Autorul Tshepo Chris Nokeri ia în considerare un model parametric cunoscut sub numele de model liniar generalizat și un model de regresie a supraviețuirii cunoscut sub numele de model Cox Proportional Hazards împreună cu Accelerated Failure Time (AFT). De asemenea, este prezentat un model de clasificare binară (regresie logistică) și un model de ansamblu (Gradient Boosted Trees). Cartea prezintă DL și o rețea neuronală artificială cunoscută sub numele de clasificator Multilayer Perceptron (MLP). Este abordată o modalitate de efectuare a analizei de grup folosind modelul K-Means. Sunt explorate tehnici de reducere a dimensiunilor, cum ar fi analiza componentelor principale și analiza discriminantă liniară. Învățarea automată a mașinilor este prezentată în detaliu.
Această carte se adresează oamenilor de știință din domeniul datelor și inginerilor din domeniul învățării automate de nivel intermediar care doresc să învețe cum să aplice cadrele cheie pentru big data și cadrele ML și DL. Veți avea nevoie de cunoștințe prealabile de bază de statistică, programare Python, teorii ale probabilităților și analiză predictivă.
Ce veți învăța
⬤ Înțelegeți învățarea supravegheată și nesupravegheată pe scară largă, inclusiv tehnicile cheie de reducere a dimensiunilor.
⬤ Cunoașterea straturilor de analiză a datelor mari, cum ar fi vizualizarea datelor, statisticile avansate, analiza predictivă, învățarea automată și învățarea profundă.
⬤ Integrați cadrele big data cu un hibrid de cadre de învățare automată și cadre de învățare profundă.
⬤ Proiectați, construiți, testați și validați modele de mașini calificate și modele de învățare profundă.
⬤ Optimizați performanța modelului utilizând transformarea datelor, regularizarea, remedierea valorilor aberante, optimizarea hiperparametrilor și modificarea raportului de împărțire a datelor.
Pentru cine este această carte
Oameni de știință de date și ingineri de învățare automată cu cunoștințe de bază și înțelegere a programării Python, a teoriilor probabilității și a analizei predictive.
