ML для новичков: Глоссарий, без которого ты не разберёшься

Оглавление

Группа авторов. ML для новичков: Глоссарий, без которого ты не разберёшься

Введение в машинное обучение

Что такое машинное обучение и зачем оно нужно

Основные типы машинного обучения

Классификация, регрессия, кластеризация и обучение с подкреплением

Алгоритмы обучения с учителем

Как алгоритмы работают с обучающим набором данных

Алгоритмы обучения без учителя

Поиск закономерностей в данных без меток

Обучение с подкреплением

Модели, которые учатся через систему вознаграждений

Данные как основа машинного обучения

Роль данных и задачи по их подготовке

Процесс подготовки данных для обучения

Очистка, нормализация и создание признаков

Понятие признаков в машинном обучении

Что такое признаки и зачем они нужны

Машинное обучение и оверфиттинг

Как избегать переобучения моделей в практике

Гиперпараметры и их настройка

Что такое гиперпараметры и роль их оптимизации

Метрики для оценки качества моделей

Способы измерения точности моделей машинного обучения

Кросс-валидация и зачем она нужна

Оценка моделей, используя разделение на обучающие данные

Градиентный спуск и его роль

Оптимизация моделей с помощью градиентного спуска

Регрессионные модели в машинном обучении

Линейная и полиномиальная регрессия

Решающие деревья и их использование

Объяснение работы и применения деревьев решений

Случайные леса и их преимущества

Принципы работы ансамблевых методов машинного обучения

Метод опорных векторов

Как работает алгоритм и где используется

Кластеры и их применение

Кластеризация данных с алгоритмами, такими как K-Means

Нейронные сети в машинном обучении

Основы функционирования искусственных нейронных сетей

Глубокое обучение и его возможности

Разница между обычным и глубоким обучением

Обучение моделей в Python

Популярные библиотеки для работы с машинным обучением

Введение в библиотеку Scikit-Learn

Простые примеры для обучения машинных моделей

Работа с TensorFlow и Keras

Инструменты для создания глубоких нейронных сетей

Наборы данных для упражнений

Источники открытых данных для работы и экспериментов

Советы начинающим в машинном обучении

Ошибки, которых стоит избегать на первых этапах

Заключение

Почему важно продолжать изучение и практические эксперименты

Отрывок из книги

Машинное обучение (МЛ) представляет собой метод цифровой обработки информации, который находит применение во множестве сфер. Чтобы понять, зачем необходимо изучать и внедрять машинное обучение, нужно рассмотреть его функционал и преимущества, а также реальные примеры его применения.

Применение машинного обучения в бизнесе

.....

labels = kmeans.labels_

data['cluster'] = labels

.....