Olvasói vélemények
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
Eredeti címe:
Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Könyv tartalma:
Alkalmazza a felügyelt és a felügyelet nélküli tanulást gyakorlati és valós nagyadat-problémák megoldására. Ez a könyv megtanítja, hogyan tervezzen jellemzőket, optimalizálja a hiperparamétereket, képezzen és teszteljen modelleket, fejlesszen pipelineseket, és automatizálja a gépi tanulás (ML) folyamatát.
A könyv foglalkozik a PySpark nevű, memórián belüli, elosztott fürtszámítási keretrendszerrel, a scikit-learn, PySpark MLlib, H2O és XGBoost nevű gépi tanulási keretrendszerplatformokkal, valamint a Keras nevű mélytanulási (DL) keretrendszerrel.
A könyv először a felügyelt és nem felügyelt ML és DL modelleket mutatja be, majd a nagy adatkereteket vizsgálja az ML és DL keretekkel együtt. A szerző, Tshepo Chris Nokeri az általánosított lineáris modellként ismert parametrikus modellt és a Cox Proportional Hazards modellként ismert túlélési regressziós modellt az Accelerated Failure Time (AFT) modellel együtt vizsgálja. Bemutat továbbá egy bináris osztályozási modellt (logisztikus regresszió) és egy együttes modellt (Gradient Boosted Trees). A könyv bemutatja a DL-t és a többrétegű perceptron (MLP) osztályozónak nevezett mesterséges neurális hálózatot. Kitér a K-Means modell segítségével történő klaszterelemzés végrehajtásának módjára. Olyan dimenziócsökkentő technikák kerülnek bemutatásra, mint a főkomponens-elemzés és a lineáris diszkriminancia-elemzés. Az automatizált gépi tanulást pedig kipakoljuk.
Ez a könyv középszintű adattudósoknak és gépi tanulással foglalkozó mérnököknek szól, akik meg akarják tanulni, hogyan kell alkalmazni a legfontosabb big data keretrendszereket és ML és DL keretrendszereket. Előzetes ismeretekre lesz szükség a statisztika, a Python programozás, a valószínűségelméletek és a prediktív analitika alapjainak ismeretében.
Mit fogsz tanulni
⬤ A széles körben elterjedt felügyelt és nem felügyelt tanulás megértése, beleértve a legfontosabb dimenziócsökkentési technikákat.
⬤ Tudja a nagy adatelemzési rétegeket, például az adatvizualizációt, a fejlett statisztikákat, a prediktív elemzést, a gépi tanulást és a mélytanulást.
⬤ Integrálja a nagyadat-keretrendszereket a gépi tanulási keretrendszerek és a mélytanulási keretrendszerek hibridjével.
⬤ Tervezzen, építsen, teszteljen és validáljon képzett gépi modelleket és mélytanulási modelleket.
⬤ Optimalizálja a modell teljesítményét az adattranszformáció, a regularizáció, a kiugró értékek orvoslása, a hiperparaméterek optimalizálása és az adatok felosztási arányának módosítása segítségével.
Kinek szól ez a könyv
Adattudósok és gépi tanulással foglalkozó mérnökök, akik alapvető ismeretekkel és megértéssel rendelkeznek a Python programozás, a valószínűségelméletek és a prediktív analitika terén.
