Крупномасштабное машинное обучение вместе с Python

Читать фрагмент

книга

Крупномасштабное машинное обучение вместе с Python

Автор: Бастиан Шарден, Лука Массарон, Альберто Боскетти

Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python.

Форматы: PDF

Издательство: ДМК Пресс

Год: 2018

Место издания: Москва

ISBN: 978-5-97060-506-6

Страниц: 358

Артикул: 95060

Возрастная маркировка: 16+

Электронная книга

639 ₽

Купить и скачать

Содержание

Содержание книги "Крупномасштабное машинное обучение вместе с Python "

Об авторах

О рецензентах

Предисловие

Глава 1. Первые шаги к масштабируемости

Подробное объяснение термина масштабируемости

Приведение крупномасштабных примеров

Введение в язык Python

Вертикальное масштабирование средствами Python

Горизонтальное масштабирование средствами Python

Python для крупномасштабного машинного обучения

Выбор между Python 2 и Python 3

Инсталляция среды Python

Пошаговая установка

Установка библиотек

Способы обновления библиотек

Научные дистрибутивы

Введение в Jupyter

Библиотеки Python

NumPy

SciPy

Pandas

Scikit-learn

Резюме

Глава 2. Масштабируемое обучение в Scikit-learn

Внеядерное обучение

Подвыборка как приемлемый вариант

Оптимизация по одному прецеденту за раз

Создание системы внеядерного обучения

Потоковая передача данных из источников

Наборы данных для реальных дел

Первый пример – потоковая передача набора данных Bike-sharing

Использование инструментов ввода-вывода библиотеки pandas

Работа с базами данных

Особое внимание упорядочению прецедентов

Стохастическое обучение

Пакетный градиентный спуск

Стохастический градиентный спуск

Реализация алгоритма SGD в библиотеке Scikit-learn

Определение параметров обучения алгоритма SGD

Управление признаками на потоках данных

Описание целевой переменной

Хэширование признаков

Другие элементарные преобразования

Тестирование и перекрестная проверка в потоке

Применение алгоритма SGD в деле

Резюме

Глава 3. Быстрообучающиеся реализации машин SVM

Наборы данных для самостоятельного экспериментирования

Набор данных Bike-sharing

Набор данных Covertype

Машины опорных векторов

Кусочно-линейная функция потерь и ее варианты

Объяснение реализации алгоритма SVM в Scikit-learn

Поиск нелинейных SVM с привлечением подвыборки

Реализация SVM в крупном масштабе на основе SGD

Отбор признаков посредством регуляризации

Добавление нелинейности в алгоритм SGD

Испытание явных высокоразмерных отображений

Доводка гиперпараметров

Другие альтернативы быстро обучающихся реализаций SVM

Резюме

Глава 4. Искусственные нейронные сети и глубокое обучение

Архитектура нейронной сети

Чему и как нейронные сети обучаются

Выбор правильной архитектуры

Нейронные сети в действии

Параллелизация для библиотеки sknn

Нейронные сети и регуляризация

Нейронные сети и гиперпараметрическая оптимизация

Нейронные сети и границы решения

Глубокое обучение в крупном масштабе с H2O

Крупномасштабное глубокое обучение с H2O

Сеточный поиск в H2O

Глубокое обучение и предтренировка без учителя

Глубокое обучение с theanets

Автокодировщики и обучение без учителя

Автокодировщик

Резюме

Глава 5. Глубокое обучение с библиотекой TensorFlow

Инсталляция TensorFlow

Операции TensorFlow

Машинное обучение в TensorFlow посредством SkFlow

Глубокое обучение с большими файлами – инкрементное обучение

Инсталляция библиотеки Keras и платформа TensorFlow

Сверточные нейронные сети в TensorFlow посредством Keras

Сверточный слой

Объединяющий слой

Полносвязный слой

CNN-сети с подходом на основе инкрементной тренировки

Вычисления на GPU

Резюме

Глава 6. Классификационные и регрессионные деревья в крупном масштабе

Агрегация бутстрапированных выборок

Случайный лес и экстремально рандомизированный лес

Быстрая параметрическая оптимизация посредством рандомизированного поиска

Экстремально рандомизированные деревья и большие наборы данных

Алгоритм CART и бустинг

Машины градиентного бустинга

Алгоритм XGBoost

Регрессия на основе XGBoost

Потоковая передача больших наборов данных посредством XGBoost

Персистентность модели XGBoost

Внеядерный алгоритм CART в среде H2O

Случайный лес и сеточный поиск в H2O

Стохастический градиентный бустинг и сеточный поиск в H2O

Резюме

Глава 7. Обучение без учителя в крупном масштабе

Методы машинного обучения без учителя

Разложение признаков – PCA

Алгоритм PCA в среде H2O

Кластеризация – алгоритм K-средних

Методы инициализации

Допущения алгоритма K-средних

Подбор оптимальной величины K

Масштабирование алгоритма K-средних – мини-пакет

Алгоритм K-средних в среде H2O

Алгоритм LDA

Масштабирование алгоритма LDA – оперативная память, CPU и машины

Резюме

Глава 8. Распределенные среды – Hadoop и Spark

От автономной машины к набору узлов

Зачем нужна распределенная платформа?

Настройка виртуальной машины

Виртуализатор VirtualBox

Конфигуратор Vagrant

Использование виртуальной машины

Экосистема Hadoop

Архитектура

Распределенная файловая система HDFS

Вычислительная парадигма MapReduce

Менеджер ресурсов YARN

Платформа Spark

Библиотека pySpark

Резюме

Глава 9. Практическое машинное обучение в среде Spark

Настройка виртуальной машины для данной главы

Распространение переменных по всем узлам кластера

Широковещательные переменные только для чтения

Аккумуляторные переменные только для записи

Широковещательные и аккумуляторные переменные – пример

Предобработка данных в среде Spark

Файлы JSON и объекты DataFrame платформы Spark

Работа с пропущенными данными

Группирование и создание таблиц в оперативной памяти

Запись предобработанного объекта DataFrame или RDD-набора на диск

Работа с объектами DataFrame

Машинное обучение с платформой Spark

Платформа Spark на наборе данных KDD99

Чтение набора данных

Конструирование признаков

Тренировка ученика

Оценка результативности ученика

Возможности конвейера машинного обучения

Ручная доводка

Перекрестная проверка

Заключительная очистка

Резюме

Приложение. Введение в графические процессоры и платформа Theano

Вычисления на GPU

Платформа Theano – параллельные вычисления на GPU

Установка платформы Theano

Предметный указатель

Внимание!
При обнаружении неточностей или ошибок в описании книги "Крупномасштабное машинное обучение вместе с Python (автор Бастиан Шарден, Лука Массарон, Альберто Боскетти)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!