Практическое руководство, предназначенное для всех, кто хочет войти в мир машинного обучения и освоить его основы. Авторы книги предлагают читателям увлекательное путешествие в эту захватывающую область, начиная с основных концепций и принципов машинного обучения и заканчивая практическими навыками построения и обучения моделей.Внутри книги читатели найдут понятные объяснения ключевых алгоритмов машинного обучения, таких как регрессия, классификация, кластеризация и глубокое обучение. Они узнают, как подготовить данные для обучения моделей, как выбрать и настроить подходящие алгоритмы, а также как оценивать и улучшать производительность моделей.
Оглавление
Группа авторов. Машинное обучение. Погружение в технологию
Глава 1: Основы Машинного обучения
Глава 2: Обучение с учителем
Глава 3: Обучение без учителя
Глава 4: Глубокое обучение
Глава 5: Подготовка данных
Глава 6: Оценка моделей и выбор гиперпараметров
Глава 7: Продвинутые методы Машинного обучения
Глава 8: Практическое применение Машинного обучения
Заключение
Отрывок из книги
2.1 Линейная регрессия
Линейная регрессия – это один из основных методов Машинного обучения, используемый для предсказания непрерывной зависимой переменной на основе линейной комбинации независимых переменных. Она является простым и интерпретируемым алгоритмом.
.....
где p – вероятность принадлежности к классу, z – линейная комбинация независимых переменных.
Модель логистической регрессии оценивает коэффициенты модели с использованием метода максимального правдоподобия. Она стремится максимизировать вероятность соответствия фактическим классам наблюдений.
