Ensemble Methods for Machine Learning

Olvasói vélemények

A könyv átfogó és gyakorlati útmutatót nyújt a gépi tanulásban alkalmazott ensemble módszerekről, mind az elméleti megértést, mind a Python nyelven történő gyakorlati megvalósítást lefedve. Különösen hasznos azok számára, akik a különböző algoritmusok erősségeit kihasználva szeretnék javítani gépi tanulási modelljeiket.

A könyv gyakorlatias, közérthető és interaktív. Gyakorlati lefedettséget kínál a termelési rendszerekhez alkalmas ensemble-módszerekről, és olyan fontos témákat emel ki, mint a megmagyarázhatóság és a kategorikus jellemzők kezelése.

A recenziók nem határoznak meg jelentős hátrányokat vagy hátrányokat a könyvvel kapcsolatban.

(2 olvasói vélemény alapján)

Könyv tartalma:

Az együttes gépi tanulás több gépi tanulási megközelítés erejét egyesíti, és együttesen olyan modelleket hoz létre, amelyek nagy teljesítményűek és pontosak.

Az Ensemble Methods for Machine Learning című könyvben a következőket találja:

⬤ Módszerek az osztályozáshoz, regresszióhoz és ajánlásokhoz.

⬤ Finomult, készleten kívüli ensemble implementációkat.

⬤ Random forests, boosting és gradiens boosting.

⬤ Tulajdonságtervezés és együttes sokféleség.

⬤ Az ensemble-módszerek értelmezhetősége és megmagyarázhatósága.

Az ensemble gépi tanulás gépi tanulási modellek változatos csoportját képzi ki, hogy együtt dolgozzanak, és a kimenetüket összesítve gazdagabb eredményeket adjanak, mint egyetlen modell. Most az Ensemble Methods for Machine Learning című könyvben olyan alapvető ensemble módszereket fedezhet fel, amelyek mind az adattudományi versenyeken, mind a valós alkalmazásokban bizonyítottak. A gyakorlati esettanulmányok megmutatják, hogyan működik az egyes algoritmusok a termelésben. Mire befejezi a könyvet, megismeri az ensemble gépi tanulás valós adatokra való alkalmazásának előnyeit, korlátait és gyakorlati módszereit, és készen áll arra, hogy megmagyarázhatóbb ML-rendszereket építsen.

A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.

A technológiáról

Automatikusan hasonlítsa össze, állítsa szembe és keverje össze több modell kimenetét, hogy a legjobb eredményeket hozza ki az adatokból. Az együttes gépi tanulás a "tömegek bölcsessége" módszert alkalmazza, amely kikerüli az egyetlen modell pontatlanságait és korlátait. Azáltal, hogy a válaszokat többféle nézőpontra alapozza, ez az innovatív megközelítés masszív előrejelzéseket tud adni még hatalmas adathalmazok nélkül is.

A könyvről

Az Ensemble Methods for Machine Learning megtanít gyakorlati technikákat több ML-megközelítés egyidejű alkalmazására. Minden fejezet tartalmaz egy egyedi esettanulmányt, amely egy teljesen működőképes ensemble módszert mutat be, olyan példákkal, mint az orvosi diagnózis, az érzelemelemelemzés, a kézírás osztályozása és még sok más. Nincs bonyolult matematika vagy elmélet - a tanulás vizuálisan történik, bőséges kóddal a könnyű kísérletezéshez!

Mi van benne?

⬤ Bagging, boosting és gradiens boosting.

⬤ Módszerek osztályozáshoz, regresszióhoz és visszakereséshez.

⬤ Az ensemble módszerek értelmezhetősége és magyarázhatósága.

⬤ Tulajdonságtervezés és ensemble sokféleség.

Az olvasóról

Python programozóknak, akiknek van gépi tanulási tapasztalatuk.

A szerzőről

Gautam Kunapuli több mint 15 éves tapasztalattal rendelkezik a tudományos életben és a gépi tanulási iparágban.

Tartalomjegyzék

1. RÉSZ - AZ EGYÜTTESEK ALAPJAI

1 Ensemble-módszerek: Hype vagy halleluja?

2. RÉSZ - ALAPVETŐ EGYÜTTES MÓDSZEREK

2 Homogén párhuzamos együttesek: Bagging és véletlen erdők.

3 Heterogén párhuzamos együttesek: Erős tanulók kombinálása.

4 Szekvenciális együttesek: Adaptív boosting.

5 Szekvenciális együttesek: Gradiens boosting.

6 Szekvenciális együttesek: Newton boosting.

3. RÉSZ - EGYÜTTESEK A GYAKORLATBAN: AZ EGYÜTTES MÓDSZEREK ADAPTÁLÁSA AZ ADATOKHOZ

7 Tanulás folytonos és számláló címkékkel.

8 Tanulás kategorikus jellemzőkkel.

9 Az együttesek magyarázata.