Машинное обучение python сборник рецептов

Машинное обучение python сборник рецептов

Автор: Элбон Крис
Год: 2019
Издательство: БХВ-Петербург
ISBN 978-5-9775-4056-8
Страниц: 384
Язык: Русский
Формат: PDF
Размер: 24 Mb

Содержание: Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие.

Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-leam.

Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.

Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и к ближайших соседей; опорно­-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

Источник

Машинное обучение python сборник рецептов

Название: Машинное обучение с использованием Python. Сборник рецептов
Автор: Крис Элбон
Издательство: БХВ-Петербург
Год: 2019
Страниц: 386
Язык: русский
Формат: pdf
Размер: 23.1 MB

Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-leam. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.

Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и к ближайших соседей; опорновекторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

За последние несколько лет машинное (самообучение стало частью широкого спектра повседневных, некоммерческих и правительственных операций. По мере роста популярности машинного обучения развивалась мелкосерийная индустрия высококачественной литературы, которая преподносила прикладное машинное обучение практикующим специалистам. Эта литература была очень успешной в подготовке целого поколения аналитиков данных и инженеров машинного обуче­ния. Кроме того, в этой литературе рассматривалась тема машинного обучения с точки зрения предоставления учебного ресурса, демонстрировавшего специали­сту, что такое машинное обучение и как оно работает. Вместе с тем, хотя этот под­ход и был плодотворным, он упустил из виду другую точку зрения на эту тему: как на материальную часть, гайки и болты, повседневного машинного обучения. В этом и состоит мотивация данной книги — предоставить читателям не фолиант по ма­шинному обучению, а гаечный ключ для профессионала, чтобы книга лежала с за­читанными до дыр страницами на рабочих столах, помогла решать оперативные повседневные задачи практикующего специалиста по машинному обучению.

Конечная цель книги — быть справочником для специалистов, строящих реальные машинно-обучающиеся системы. Например, представьте, что читатель имеет файл JSON, содержащий 1000 категориальных и числовых признаков с пропущенными данными и векторами категориальных целей с несбалансированными классами, и хочет получить интерпретируемую модель. Мотивация для этой книги и состоит в предоставлении рецептов, чтобы помочь читателю освоить подобные процессы.

Источник

Машинное обучение python сборник рецептов

Physics.Math.Code запись закреплена

Python и машинное обучение [2020] Рашка, Мирджалили

Машинное обучение поглощает мир программного обеспечения. Освойте и работайте с передовыми технологиями машинного обучения, нейронных сетей и глубокого обучения с помощью 2-го издания бестселлера Себастьяна Рашки. Будучи основательно обновленной с учетом самых последних технологий с открытым кодом, включая такие библиотеки, как scikit-learn, Keras и TensorFlow, эта книга предлагает практические знания и приемы, которые необходимы для создания эффективных приложений машинного и глубокого обучения на языке Python. Обладающие уникальной проницательностью и знанием дела авторы книги, Себастьян Рашка и Вахид Мирджалили, ознакомят вас с алгоритмами машинного обучения и глубокого обучения и постепенно подведут к сложным темам в анализе данных. В книге предлагается сочетание теоретических принципов машинного обучения с практическим подходом к написанию кода для полного понимания теории машинного обучения и реализация с помощью Python.

Источник

Крис Элбон — » Машинное обучение с использованием Python. Сборник рецептов «

Рейтинг: 3,50 / 5 (оценок: 1 )

БХВ-Петербург , 2019 год, 384 страниц

Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-learn. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.

.Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

Купить эту книгу в бумажном варианте:

Купить и скачать PDF-версию:

• К сожалению, этой книги нет в электронном виде.

Источник

Машинное обучение python сборник рецептов

Все хорошо. Только с педофилии началось ею же и закончилось.

Загнанные в угол (ЛП)

Присутствуют все прелести романов, действие которых происходит в небольшом городке. И не важно, что события состоят не только из положительных моментов, но хорошая, тёплая «домашняя» аура сопровождает

Горечь жестоких людей

Очень интересная книга. Есть просто любовные романы, а есть такие) мне не очень понравились сами чувства героев, да и герои, если честно тоже. Слишком уж много в них замешано пороков, жестокости. Но сюжет

Попала, или Кто кого

Отличная книга, давно так не смеялась! Спасибо автору!

Все, о чем мечтала

Мне книга понравилась. НЕ скажу, что перечитаю ее когда-то но, не жалею о потраченном времени.Как по мне, очень большая разница в возрасте, хотелось, что бы он был старше, а не у прям 27 лет. Так же думаю, что

Преображение миллионера [ЛП]

Довольно шаблонный сюжет. Такое привычнее читать в малышках. Преображение тут скорее героини, а не миллионера, у него — больше муки совести.

Великолепная модель

Машинное обучение с использованием Python [Сборник рецептов]

Рейтинг: 0.0/5 (Всего голосов: 0)

Аннотация

Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-learn. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работаю­щий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.
Приведены рецепты решений с использованием: векторов, матриц и массивов;
обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линей­ной и логистической регрессии, деревьев, лесов и к ближайших соседей; опорно­ векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

Источник