Исследуйте мир машинного обучения с этой книгой, предназначенной для тех, кто стремится погрузиться в фундаментальные принципы и передовые методы этой динамично развивающейся области. От введения в основные концепции до глубокого погружения в продвинутые техники и приложения, каждая глава представляет собой комплексное исследование, подкрепленное практическими примерами и советами. Будучи ориентиром как для начинающих, так и для опытных практиков, данная книга поможет вам освоить ключевые навыки, необходимые для эффективного применения методов машинного обучения в реальных задачах.
Оглавление
Группа авторов. Искусственный интеллект. Машинное обучение
Глава 1: Введение в Машинное Обучение
Глава 2: Подготовка и Предобработка Данных
Глава 3: Основные Методы Обучения
Глава 4: Оценка и Управление Производительностью Моделей
Глава 5: Практические Примеры и Приложения
Глава 6: Оптимизация и Регуляризация Моделей Машинного Обучения
Глава 7: Обработка текстовых и временных данных
Глава 8: Обучение на неструктурированных данных: изображения, аудио, видео
Глава 9: Обучение на несбалансированных данных
Глава 10: Продвинутые методы оценки и интерпретации моделей
Глава 11: Обучение на графовых данных
Отрывок из книги
В этом разделе мы рассмотрим методы оценки качества данных и предварительного анализа, необходимые перед тем, как приступить к моделированию. Оценка качества данных является важным этапом, поскольку позволяет понять, насколько данные подходят для построения модели, а предварительный анализ помогает выявить особенности и закономерности в данных.
Перед началом визуализации и анализа данных необходимо провести их первичное изучение, что включает в себя загрузку данных и ознакомление с их структурой и содержимым. Этот этап позволяет понять, какие данные доступны, какие признаки содержатся в наборе данных и какие типы данных представлены.
.....
# Идентифицируем аномальные значения
anomalies = [price for price, z_score in zip(prices, z_scores) if abs(z_score) > threshold]
