Складчина: Как правильно ставить задачи для ML + ML для новичков. Глоссарий, без которого ты не разберёшься [Артем Демиденко]
От идеи до алгоритма. Как правильно ставить задачи для MLАртем Демиденко
Как связать идеи бизнеса с машинным обучением и создать действительно работающий алгоритм? Ответ на этот вопрос вы найдете в этой книге. Автор раскрывает все этапы постановки задач: от глубокого понимания целей бизнеса до выбора метрик, влияния данных и тестирования модели.
Вы узнаете, почему качество алгоритма начинается с корректно сформулированной задачи, как избежать ошибок при работе с данными, учесть ограничения ресурсов и сделать модель интерпретируемой для бизнеса.
Цена 249 руб.
Формат epub, fb2, fb3, ios.epub, mobi, pdf, txt, zip
Скрытая ссылка
ML для новичков. Глоссарий, без которого ты не разберёшься
Артем Демиденко
Забудьте о сложных терминах и запутанных объяснениях! Узнайте о ключевых алгоритмах, научитесь готовить данные, избегать оверфиттинга и оценивать качество моделей. Эта книга расскажет, как строить рабочие решения на Python и предложит упражняться на реальных наборах данных.
Спойлер: содержание
Введение в машинное обучение
Что такое машинное обучение и зачем оно нужно
Основные типы машинного обучения
Классификация, регрессия, кластеризация и обучение с подкреплением
Алгоритмы обучения с учителем
Как алгоритмы работают с обучающим набором данных
Алгоритмы обучения без учителя
Поиск закономерностей в данных без меток
Обучение с подкреплением
Модели, которые учатся через систему вознаграждений
Данные как основа машинного обучения
Роль данных и задачи по их подготовке
Процесс подготовки данных для обучения
Очистка, нормализация и создание признаков
Понятие признаков в машинном обучении
Что такое признаки и зачем они нужны
Машинное обучение и оверфиттинг
Как избегать переобучения моделей в практике
Гиперпараметры и их настройка
Что такое гиперпараметры и роль их оптимизации
Метрики для оценки качества моделей
Способы измерения точности моделей машинного обучения
Кросс-валидация и зачем она нужна
Оценка моделей, используя разделение на обучающие данные
Градиентный спуск и его роль
Оптимизация моделей с помощью градиентного спуска
Регрессионные модели в машинном обучении
Линейная и полиномиальная регрессия
Решающие деревья и их использование
Объяснение работы и применения деревьев решений
Случайные леса и их преимущества
Принципы работы ансамблевых методов машинного обучения
Метод опорных векторов
Как работает алгоритм и где используется
Кластеры и их применение
Кластеризация данных с алгоритмами, такими как K-Means
Нейронные сети в машинном обучении
Основы функционирования искусственных нейронных сетей
Глубокое обучение и его возможности
Разница между обычным и глубоким обучением
Обучение моделей в Python
Популярные библиотеки для работы с машинным обучением
Введение в библиотеку Scikit-Learn
Простые примеры для обучения машинных моделей
Работа с TensorFlow и Keras
Инструменты для создания глубоких нейронных сетей
Наборы данных для упражнений
Источники открытых данных для работы и экспериментов
Советы начинающим в машинном обучении
Ошибки, которых стоит избегать на первых этапах
Цена 249 руб.
Формат epub, fb2, fb3, ios.epub, mobi, pdf, txt, zip
Скрытая ссылка
Общая стоимость: 249+249=498 руб.