Машинное обучение с малым объемом кодирования, Стриплинг Г., 2025

Машинное обучение с малым объемом кодирования, Стриплинг Г., 2025.
     
   В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras. При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны. Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости. В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач. Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей, обучение пользовательских ML-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов.




Сбор данных.
В начале XXI века компании, университеты и исследователи для размещения своих приложений и хранения данных обычно полагались на локальные серверы / жесткие диски или дата-центры. Рассчитывать на локальный дата-центр или арендовать в нем серверное пространство было затратным делом: требовалось поддерживать серверную инфраструктуру, обновлять программное обеспечение, устанавливать обновления безопасности, заменять физическое оборудование и т. д. В некоторых случаях большие объемы данных хранились на целом кластере машин.

Сегодня, чтобы сэкономить на расходах, предприятия и образовательные учреждения размещают своих приложения и данные в облаке. Облачное хранилище — это услуга, предлагаемая поставщиками облачных сервисов для хранения файлов. Она позволяет загружать файлы различных форматов или может быть настроена на автоматическое получение файлов из разных источников данных. Поскольку большинство моделей ML обучаются с помощью данных из файлов, их хранение в облаке упрощает сбор данных. Облачное хранилище подходит для хранения как структурированных, так и неструктурированных данных.

ОГЛАВЛЕНИЕ.
Отзывы на книгу.
Предисловие.
Для кого предназначена эта книга?.
Что есть и чего нет в этой книге.
Соглашения об используемых обозначениях.
Использование примеров кода.
Онлайн-обучение O'Reilly.
Наши контакты.
Благодарности.
Глава 1. Влияние данных на принятие решений в машинном обучении.
Что такое цель или вариант использования ML?.
Рабочий процесс корпоративного ML.
Определение бизнес-цели или постановка задачи.
Сбор данных.
Предварительная обработка данных.
Анализ данных.
Преобразование данных и выбор признаков.
Что предпочесть: выбор модели или автоматизированное ML (бескодовое решение).
Обучение, оценка и настройка модели.
Тестирование модели.
Развертывание модели (обслуживание).
Поддержание актуальности моделей.
Резюме.
Глава 2. Первый шаг: данные.
Примеры использования машинного обучения и подходящих к ним наборов данных.
Пример 1. Розничная торговля: ценообразование.
Пример 2. Здравоохранение: кампания по профилактике сердечно-сосудистых заболеваний.
Пример 3. Энергетика: кампания по маркетингу.
Пример 4. Страхование: прогнозирование продаж на основе затрат на рекламу в различных медиаканалах.
Пример 5. Финансы: выявление мошенничества.
Пример 6. Энергетика: прогнозирование производства электроэнергии.
Пример 7. Телекоммуникации: прогнозирование оттока клиентов.
Пример 8. Автомобилестроение: улучшение эффективности пользовательской модели.
Данные и типы файлов.
Количественные и качественные данные.
Структурированные, неструктурированные и слабоструктурированные данные.
Типы файлов данных.
Как обрабатываются данные.
Обзор облачных сервисов GitHub и Google Colab.
Используйте GitHub для создания хранилища данных ваших проектов.
Использование Google Colaboratory для проектов искусственного интеллекта с малым объемом кода.
Создание блокнота Colaboratory Python Jupyter.
Импорт библиотек и наборов данных с помощью Pandas.
Валидация данных.
Небольшой разведочный анализ данных.
Резюме.
Глава 3. Библиотеки и фреймворки машинного обучения.
Автоматизированное машинное обучение (AutoML) без кодирования.
Как работает AutoML.
Машинное обучение как сервис.
МL-фреймворки с малым объемом кода.
МL-фреймворки с использованием языка структурированных запросов (SQL-ML).
Google BigQuery ML.
Amazon Aurora ML и Redshift ML.
Библиотеки ML с открытым кодом.
AutoKeras.
Auto-sklearn.
Auto-PyTorch.
Резюме.
Глава 4. Использование AutoML для прогнозирования продаж на основе затрат на рекламу в различных медиаканалах.
Пример использования в бизнесе: прогнозирования продаж на основе затрат на рекламу в различных медиаканалах.
Рабочий процесс проекта.
Набор данных проекта.
Разведочный анализ набора данных с помощью Pandas, Matplotlib и Seaborn.
Загрузка данных во фрейм данных Pandas блокнота Google Colab.
Разведочный анализ рекламного набора данных.
Описательный анализ: проверка данных.
Разведочный анализ данных.
Экспорт рекламного набора данных.
Использование AutoML для обучения модели линейной регрессии.
Обучение без кодирования с помощью Vertex AI.
Создайте управляемый набор данных в Vertex AI.
Выберите цель модели.
Обучение модели.
Оценка эффективности модели.
Важность модельных признаков (атрибуция признаков).
Прогнозирование с помощью вашей модели.
Резюме.
Глава 5. Использование AutoML для обнаружения мошеннических транзакций.
Пример использования в бизнесе: обнаружение мошенничества в финансовых транзакциях.
Рабочий процесс проекта.
Набор данных проекта.
Разведочный анализ набора данных с помощью Pandas, Matplotlib и SеаЬогп.
Загрузка данных во фрейм Pandas блокнота Google Colab.
Разведочный анализ набора данных.
Описательный анализ.
Разведочный анализ данных.
Экспорт набора данных.
Классификационные модели и метрики.
Использование AutoML для обучения классификационной модели.
Создание управляемого набора данных и выбор цели модели.
Изучение статистики набора данных.
Обучение модели.
Оценка эффективности модели.
Значимость признаков модели.
Получение прогнозов.
Резюме.
Глава 6. Использование BigQuery ML для обучения модели линейной регрессии.
Пример использования в бизнесе: прогнозирование выработки электроэнергии.
Очистка набора данных с помощью SQL в BigQuery.
Загрузка набора данных в BigQuery.
Разведочный анализ данных в BigQuery с помощью SQL.
Использование функции Nu/1 для проверки наличия нулевых значений.
Функции Min и Мах для определения допустимых диапазонов данных.
Сохранение результатов запроса с помощью инструкции DDL в BigQuery.
Модели линейной регрессии.
Выбор признаков и корреляция.
Google Colaboratory.
Построение связей признаков с целевым параметром.
Оператор CREA ТЕ MODEL в BigQuery ML.
Использование оператора CREATE MODEL.
Просмотр оценочных метрик обученной модели.
Использование функции ML.PREDICT для составления прогнозов.
Знакомство с объяснимым искусственным интеллектом (ExplainaЫe AI).
Объяснимый ИИ в BigQuery ML.
Изменение инструкции CREA ТЕ MODEL.
Использование функции ML.GLOBAL_EXPLAIN.
Использование функции ML.EXPLAIN_PREDICT для вычисления локальных объяснений.
Упражнения.
Нейронные сети в BigQuery ML.
Краткий обзор нейронных сетей.
Функции активации и нелинейность.
Обучение глубокой нейронной сети в BigQuery ML.
Упражнения.
Использование Cloud Shell для просмотра вашего файла в облачном хранилище.
Резюме.
Глава 7. Обучение пользовательских моделей ML на Python.
Пример использования в бизнесе: прогнозирование оттока клиентов.
Выбор между решениями ML без кода, с малым объемом кода и с пользовательским кодом.
Анализ набора данных с помощью Pandas, Matplotlib и Seaborn.
Загрузка данных во фрейм данных Pandas блокнота Google Colab.
Анализ и очистка набора данных об оттоке клиентов.
Проверка и преобразование типов данных.
Изучение сводной статистики.
Изучение комбинаций категориальных столбцов.
Изучение взаимодействия между числовыми и категориальными столбцами.
Преобразование признаков с помощью Pandas и scikit-learn.
Выбор признаков.
Кодирование категориальных признаков с помощью scikit-learn.
Обобщение и разделение данных.
Построение модели логистической регрессии с использованием scikit-learn.
Логистическая регрессия.
Обучение и оценка модели в scikit-learn.
Метрики оценки классификации.
Предоставление прогнозов с помощью модели, обученной в scikit-learn.
Знакомство с пайплайнами scikit-learn.
Построение нейронной сети с использованием Keras.
Введение в Keras.
Обучение классификатора нейронной сети с использованием Keras.
Построение пользовательских МL-моделей на основе Vertex Al.
Резюме.
Глава 8. Улучшение эффективности пользовательской модели.
Пример использования в бизнесе: ценообразование на аукционе по продаже подержанных автомобилей.
Усовершенствование модели в scikit-learn.
Загрузка в блокнот уже существующей модели.
Загрузка наборов данных и разделение данных на обучающие, оценочные и тестовые.
Изучение модели линейной регрессии в scikit-learn.
Инжиниринг признаков и совершенствование пайплайна предварительной обработки.
Поиск простых улучшений.
Пересечение признаков.
Настройка гиперпараметров.
Стратегия настройки гиперпараметров.
Настройка гиперпараметров в scikit-learn.
Улучшение модели в Keras.
Знакомство со слоями предварительной обработки Keras.
Создание набора данных и слоев предварительной обработки для вашей модели.
Построение модели нейронной сети.
Настройка гиперпараметров в Кегаs.
Настройка гиперпараметров в BigQuery ML.
Загрузка и преобразование данных аукциона автомобилей.
Обучение модели линейной регрессии и использование условия TRANSFORM.
Настройка гиперпараметров в BigQuery ML.
Регуляризация.
Настройка гиперпараметров в инструкции CREA ТЕ MODEL.
Опции настройки гиперпараметров для больших моделей.
Обучение и настройка Vertex AI.
Автоматическая настройка модели с помощью Amazon SageMaker.
Машинное обучение Azure.
Резюме.
Глава 9. Путешествие в мир искусственного интеллекта продолжается.
Дальнейшее погружение в науку о данных.
Работа с неструктурированными данными.
Работа с изображениями.
Работа с текстовыми данными.
Генеративный искусственный интеллект.
Объяснимый искусственный интеллект.
Практика машинного обучения.
Непрерывное обучение и оценка.
Резюме.
Предметный указатель.
Об авторах.
Об изображении на обложке.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Машинное обучение с малым объемом кодирования, Стриплинг Г., 2025 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Скачать - pdf - Яндекс.Диск.




Теги: учебник по программированию :: программирование :: Стриплинг