Машинное обучение, Портфолио реальных проектов, Григорьев А., 2023.
Изучите ключевые концепции машинного обучения, работая над реальными проектами! Машинное обучение — то, что поможет вам в анализе поведения клиентов, прогнозировании тенденций движения цен, оценке рисков и многом другом. Чтобы освоить машинное обучение, вам нужны отличные примеры, четкие объяснения и много практики. В книге все это есть!
Автор описывает реалистичные, практичные сценарии машинного обучения, а также дает предельно понятные объяснения ключевых концепций. Вы разберете интересные проекты, такие как сервис прогнозирования цен на автомобили с использованием линейной регрессии и сервис прогнозирования оттока клиентов. Вы выйдете за рамки алгоритмов и изучите важные техники, например развертывание приложений в бессерверных системах и запуск моделей с помощью Kubernetes и Kubeflow. Пришло время закатать рукава и прокачать свои навыки в области машинного обучения!
МАШИННОЕ ОБУЧЕНИЕ.
Машинное обучение — часть прикладной математики и информатики. Закономерности в данных выявляются в нем с помощью инструментов из математических дисциплин, таких как теория вероятностей, статистика и теория оптимизации.
Основная идея машинного обучения заключается в обучении на примерах: мы готовим набор данных с примерами, а система машинного обучения «учится» на нем. Другими словами, мы даем системе входные данные и желаемый результат, а она пытается выяснить, как выполнять такое преобразование автоматически, не спрашивая человека.
Например, мы можем собрать набор данных с описаниями автомобилей и их ценами. Затем мы предоставляем модель машинного обучения с этим набором данных и «обучаем» ее, демонстрируя ей автомобили и их цены. Этот процесс называется обучением или иногда подгонкой (рис. 1.1).
ОГЛАВЛЕНИЕ.
Предисловие.
Введение.
Благодарности.
Об этой книге.
Об авторе.
Иллюстрация на обложке.
Глава 1. Введение в машинное обучение.
Глава 2. Машинное обучение для регрессии.
Глава 3. Машинное обучение для классификации.
Глава 4. Оценочные показатели для классификации.
Глава 5. Развертывание моделей машинного обучения.
Глава 6. Деревья решений и ансамблевое обучение.
Глава 7. 11ейронные сети и глубокое обучение.
Глава 8. Бессерверное глубокое обучение.
Глава 9. Предоставление моделей с помощью Kubernetes и Kubeflow.
Приложение А. Подготовка среды.
Приложение Б. Введение в Python.
Приложение В. Введение в NumPy.
Приложение Г. Введение в Pandas.
Приложение Д. AWS SageMaker.
Купить .
Дата публикации:
Теги: учебник по программированию :: программирование :: Григорьев
Смотрите также учебники, книги и учебные материалы:
Следующие учебники и книги:
Предыдущие статьи:
