Описание книги
Машинное обучение. Карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python.
В книгу Машинное обучение: карманный справочник, включены подробные примеры и комментарии, которые помогут вам оперативно ориентироваться в основах структурированного машинного обучения (МО). Автор, Мэтт Харрисон, предлагает ценный справочник, который вы можете использовать как дополнительное пособие при обучении МО и в качестве удобного ресурса, когда погружаетесь в ваш следующий проект машинного обучения. Приведенные фрагменты кода имеют такой размер, чтобы их можно было использовать и адаптировать в ваших собственных проектах МО.
Книга, идеально подходящая для программистов, аналитиков данных и инженеров искусственного интеллекта, содержит обзор процесса машинного обучения и знакомит вас с классификацией структурированных данных. В книге рассматриваются различные библиотеки и модели, их компромиссы, настройка и интерпретация. Кроме всего прочего вы изучите методы кластеризации, регрессии и уменьшения размерности.
Основные темы книги
Классификация с использованием набора данных Titanic
Как очистить данные и справиться с их недостатком
Разведочный анализ данных
Общие этапы предварительной обработки с использованием выборки данных
Выбор признаков, полезных для модели
Выбор модели
Оценка метрики и классификации
Примеры регрессии с использованием нескольких методов машинного обучения
Метрики для оценки регрессии
Кластеризация
Уменьшение размерности
Конвейеры Scikit-learn
При использовании этой книги предполагается знание языка программирования Python.
В книге демонстрируется, как использовать различные вспомогательные библиотеки Python для решения реальных задач МО.
Эта книга не заменит учебный курс по МО, но должна служить ориентиром того, что может охватывать прикладной курс машинного обучения. Автор использует ее в качестве справочного материала для курсов по анализу данных и машинному обучению, который он преподает.
Автор книги Мэтт Харрисон считает, что его книга - лучший сборник ресурсов и примеров для решения задач прогнозного моделирования, если у вас есть структурированные данные.