Как правильно ставить задачи для ML + ML для новичков. Глоссарий, без которого ты не разберёшься [Артем Демиденко]

Складчина: Как правильно ставить задачи для ML + ML для новичков. Глоссарий, без которого ты не разберёшься [Артем Демиденко]

От идеи до алгоритма. Как правильно ставить задачи для ML
Артем Демиденко


Как связать идеи бизнеса с машинным обучением и создать действительно работающий алгоритм? Ответ на этот вопрос вы найдете в этой книге. Автор раскрывает все этапы постановки задач: от глубокого понимания целей бизнеса до выбора метрик, влияния данных и тестирования модели.

Вы узнаете, почему качество алгоритма начинается с корректно сформулированной задачи, как избежать ошибок при работе с данными, учесть ограничения ресурсов и сделать модель интерпретируемой для бизнеса.

Форматы: epub, fb2, fb3, ios.epub, mobi, pdf, txt, zip
Цена 249 руб.
Скрытая ссылка

ML для новичков. Глоссарий, без которого ты не разберёшься
Артем Демиденко


Забудьте о сложных терминах и запутанных объяснениях! Узнайте о ключевых алгоритмах, научитесь готовить данные, избегать оверфиттинга и оценивать качество моделей. Эта книга расскажет, как строить рабочие решения на Python и предложит упражняться на реальных наборах данных.

Спойлер: Содержание

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

Форматы: epub, fb2, fb3, ios.epub, mobi, pdf, txt, zip
Цена 249 руб.
Скрытая ссылка

Общая стоимость: 249+249=498 руб.