Содержание книги "Машинное обучение с использованием библиотеки Н2О
:
мощные и масштабируемые методы для глубокого обучения и ИИ"
Предисловие
Глава 1. Установка и начало работы
Подготовка к установке
Установка R
Установка Python
Конфиденциальность
Установка Java
Установка H2O при помощи R (CRAN)
Установка H2O при помощи Python (pip)
Наша первая задача машинного обучения
Обучение и предсказания в Python
Обучение и предсказания в R
Производительность и предсказания
Если вам не повезло
Веб-интерфейс Flow
Данные
Модели
Предсказания
Дополнительные сведения об интерфейсе Flow
Резюме
Глава 2. Импортирование и экспортирование данных
Требования к памяти
Подготовка данных
Загрузка данных в H2O
Загрузка файлов в формате CSV
Загрузка файлов в других форматах
Загрузка данных из R
Загрузка данных из Python
Операции с данными
«Ленивость», присвоение имен и удаление
Итоговые статистики
Операции со столбцами
Агрегирование строк
Индексация
Разделение данных в кластере H2O
Строки и столбцы
Выгрузка данных из H2O
Экспорт таблиц
Формат POJO
Файлы моделей
Сохранение всех моделей
Резюме
Глава 3. Наборы данных
Набор данных об энергетической эффективности
Настройка и загрузка
Переменные
Разделение данных
Изучение данных
О наборе данных
Набор данных: рукописные цифры
Настройка и загрузка
Изучение данных
Как можно «помочь» модели
О наборе данных
Набор данных: результаты футбольных матчей
Корреляции
Пропущенные данные
Как обучать и тестировать?
Настройка и загрузка
Третий источник данных
Снова про пропущенные данные
Настройка и загрузка (снова)
О наборе данных
Резюме
Глава 4. Общие параметры моделей
Поддерживаемые метрики
Метрики для регрессии
Метрики для классификации
Бинарная классификация
Основы
Объем выполняемой работы
Оценка и проверка
Ранняя остановка
Контрольные точки
Перекрестная проверка
Взвешивание наблюдений
Выборки и обобщающая способность
Регрессия
Контроль вывода результатов
Резюме
Глава 5. Случайный лес
Решающие деревья
Случайный лес
Параметры
Энергоэффективность зданий: случайный лес с настройками по умолчанию
Поиск по сетке
Полный перебор
Случайный поиск
Общая стратегия
Энергоэффективность зданий: настроенный случайный лес
MNIST: случайный лес с настройками по умолчанию
MNIST: настроенный случайный лес
Дополненные данные
Футбол: случайный лес с настройками по умолчанию
Футбол: настроенный случайный лес
Резюме
Глава 6. Градиентный бустинг
Бустинг
Хорошее, плохое... и непонятное
Параметры
Энергоэффективность зданий: градиентный бустинг с настройками по умолчанию
Энергоэффективность зданий: настроенный градиентный бустинг
MNIST: градиентный бустинг с настройками по умолчанию
MNIST: настроенный градиентный бустинг
Футбол: градиентный бустинг с настройками по умолчанию
Футбол: настроенный градиентный бустинг
Резюме
Глава 7. Линейные модели
Параметры GLM
Данные об энергоэффективности: GLM с настройками по умолчанию
Данные об энергоэффективности: настроенная GLM
MNIST: GLM с настройками по умолчанию
MNIST: настроенная GLM
Футбол: GLM с настройками по умолчанию
Футбол: настроенная GLM
Резюме
Глава 8. Глубокое обучение (нейронные сети)
Что такое нейронные сети?
Количественные и категориальные переменные
Слои нейронной сети
Функции активации
Параметры
Регуляризация
Оценка качества
Энергоэффективность зданий: модель глубокого обучения с настройками по умолчанию
Энергоэффективность зданий: настроенная модель глубокого обучения
MNIST: модель глубокого обучения с настройками по умолчанию
MNIST: настроенная модель глубокого обучения
Футбол: модель глубокого обучения с настройками по умолчанию
Футбол: настроенная модель глубокого обучения
Резюме
Приложение: дополнительные параметры
Глава 9. Обучение на неразмеченных данных
Кластеризация методом k-средних
Автокодировщики
Вложенные автокодировщики
Метод главных компонент
GLRM
Пропущенные данные
GLRM
Избавляемся от R
Резюме
Глава 10. Все остальное
Документация
Установка актуальной версии
Сборка из исходных кодов
Запуск из командной строки
Кластеры
EC2
Другие облачные провайдеры
Hadoop
Spark / Sparkling Water
Наивный байесовский классификатор
Ансамбли
Стекинг: h2o.ensemble
Ансамбли для классификации
Резюме
Глава 11. Эпилог
Результаты для данных об энергоэффективности
Результаты для набора данных MNIST
Результаты для данных о футбольных матчах
Как далеко вы готовы зайти
Чем больше, тем лучше
Еще больше данных
Отбор сложных примеров
Автокодировщик
Сверточные сети
Ансамбли
Результаты
Резюме
Приложение 1. Deep Water
Установка
Сборка из исходных кодов
Amazon Machine Image
Образ Docker
Примеры данных
Обзор библиотеки Deep Water
Глубокое обучение в библиотеке H2O
Современные тенденции в глубоком обучении
Почему нужно использовать Deep Water
Начало работы: набор данных MNIST
Бекенды
CPU и GPU
Классификация изображений
Данные
Параметры изображений
Предварительно созданные архитектуры
Архитектуры, создаваемые пользователем
Предварительно обученные нейросети
Веб-интерфейс Flow
Поиск по сетке
Полный перебор
Случайный поиск
Контрольные точки
Ансамбли
Признаки скрытых слоев и меры сходства
Поддержка нескольких GPU
Развертывание моделей
MOJO
Prediction Service Builder
Приложение 2. Ансамбли (стекинг моделей)
Вступление
Стекинг / Super Learner
Алгоритм
Вложенные ансамбли в библиотеке H2O
Пример
На языке R
На языке Python
Вопросы и ответы
Дополнительная информация
Список литературы
Краткий предметный указатель
