Табличное мастерство. Осваиваем модели машинного обучения для анализа табличных данных

Оглавление

Группа авторов. Табличное мастерство. Осваиваем модели машинного обучения для анализа табличных данных

Введение в табличные данные и машинное обучение

Основы табличных данных

Машинное обучение и его виды

Задачи, решаемые с помощью анализа табличных данных

Этапы типовых проектов по машинному обучению

Роли и обязанности участников проекта машинного обучения

Исследование и предобработка табличных данных

Загрузка данных и изучение структуры

Визуализация данных

Предобработка данных: очистка, заполнение пропусков и кодирование

Приведение данных к единому масштабу/нормализация

Разделение данных на обучающую, валидационную и тестовую выборки

Модели машинного обучения для анализа табличных данных

Линейные модели и регрессия

Деревья решений и случайный лес

Градиентный бустинг и XGBoost

Метод

Нейронные сети и глубокое обучение

Требования к объёму входных данных для обучения модели

Метрики производительности и точности моделей после обучения

Анализ ошибок и переобучение моделей

Кросс-валидация:

Отбор признаков и регуляризация

Тюнинг гиперпараметров и сравнение моделей

Продвинутые методы машинного обучения

Ансамблирование моделей

Автоматическое машинное обучение (AutoML)

Сроки обновления и переобучения моделей

Этические аспекты и соответствие требованиям законодательства

Основные библиотеки

Заключение

Отрывок из книги

В современном мире машинное обучение играет все большую и большую роль в повседневной жизни, бизнесе и научных исследованиях. Умение анализировать и использовать данные становится ключевым фактором успеха для организаций и профессионалов. Эта книга призвана стать вашим комплексным руководством по машинному обучению, особенно в отношении анализа табличных данных, которые являются наиболее распространенным типом данных в бизнесе.

Данная книга будет полезна как бизнесу, руководителям проектов по машинному обучению, так и лицам, интересующимся машинным обучением. Она предоставляет широкий обзор методов и подходов, используемых для анализа и прогнозирования на основе табличных данных, включая классические алгоритмы машинного обучения, ансамблирование, автоматическое машинное обучение (AutoML) и применение нейронных сетей.

.....

Обеспечить стабильную работу моделей и их адаптацию к изменяющимся условиям

Мониторить производительность моделей и анализировать возникающие проблемы

.....