Читать фрагмент

книга

Машинное обучение

Автор: Евгений Бутырский, Владислав Цехановский, Наталия Жукова, Ильдар Баймуратов, Игорь Куликов

В данном учебнике представлен обзор различных направлений машинного обучения: классическое обучение с учителем, обучение с подкреплением, ансамбли и глубокое обучение. Значительное внимание уделено методам анализа данных и обучения без учителя, включая статистические методы, ядерные методы, методы снижения размерности, поиска паттернов и правил. Рассмотрены различные виды кластеризации, бикластеризации и трикластеризации. Теоретический материал сопровождается практическими заданиями и лабораторными работами, выполнение которых предполагает использование библиотеки scikit-learn на языке Python, а также индивидуальными домашними заданиями.

Форматы: PDF

Издательство: Директ-Медиа

Год: 2023

Место издания: Москва

ISBN: 978-5-4499-3778-0

Страниц: 368

Артикул: 103356

Возрастная маркировка: 16+

Печатная книга

2288 ₽

Купить

Ожидаемая дата отгрузки печатного
экземпляра: 06.09.2026

Электронная книга

478 ₽

Купить и скачать

Содержание

Содержание книги "Машинное обучение "

Введение

Классическое обучение

Обучение с подкреплением

Ансамбли

Глубокое обучение и нейросети

Глава 1. Числовые атрибуты

1.1. Однофакторный анализ

1.2. Двухфакторный анализ

1.3. Многофакторный анализ

1.4. Нормальная форма

1.5. Нормальное распределение

Глава 2. Нечеткая алгебра

2.1. Нечеткая алгебра как обобщение булевой

2.2. Нечеткие множества

2.3. Нечеткие соответствия и отношения

2.4. Нечеткие числа

Глава 3. Ядерные методы

3.1. Ядерные матрицы

3.2. Векторные ядра

3.3. Основные операции ядра в пространстве признаков

3.4. Ядра для сложных объектов

Глава 4. Снижение размерности

4.1. Предпосылки

4.2 Метод главных компонент

4.3. Ядерный анализ главных компонент

4.4. Сингулярное разложение

Глава 5. Поиск наборов объектов

5.1. Часто встречающиеся наборы и ассоциативные правила

5.2. Алгоритмы майнинга набора данных

5.3. Вычислительная сложность

Глава 6. Суммирование наборов

6.1. Максимальная и замкнутая частота наборов

6.2. Поиск максимальной частоты набора: алгоритм GENMAX

6.3. Поиск закрытых часто встречающихся наборов элементов: CHARM алгоритм

6.4. Невыводимые наборы объектов

Глава 7. Анализ последовательностей

7.1. Частота последовательности

7.2. Поиск часто встречающихся последовательностей

7.3. Поиск подстрок с помощью суффиксных деревьев

Глава 8. Оценка паттернов и правил

8.1. Меры для оценки паттернов и правил

8.2. Проверка значимости и доверительные интервалы

Глава 9. Репрезентативная кластеризация

9.1. Алгоритм K-средних

9.2. Ядерный алгоритм K-средних

9.3. Кластеризация с максимизацией ожиданий

Глава 10. Иерархическая кластеризация

10.1. Исходные данные

10.2. Агломеративная иерархическая кластеризация

10.3. Алгоритм BIRCH

Глава 11. Кластеризация, основанная на плотности

11.1. Алгоритм DBSCAN

11.2. Оценка плотности ядра

11.3. Кластеризация на основе плотности: DENCLUE

11.4. Алгоритм распространения сходства

11.5. Сдвиг среднего значения

11.6. Спектральная кластеризация

Глава 12. Валидация кластеризации

12.1 Внешние меры

12.2. Внутренние меры

12.3. Относительные меры

Глава 13. Бикластеризация

13.1. Основная идея

13.2. Алгоритмы бикластеризации

13.3. Применения

Литература

Глава 14. Трикластеризация

14.1. Триадический анализ формальных понятий и метод TRIAS

14.2. Ослабленные шаблоны объект-атрибут-условие: трикластеры OAC

14.3. Приближенные трикластеры: метод TriBоx

14.4. Спектральный подход, расширенный для кластеризации: метод SpecTric

14.5. Критерии оценки трикластеров

14.6. Экспериментальное сравнение методов

Глава 15. Лабораторные работы

15.1. Лабораторная работа № 1

15.2. Лабораторная работа № 2

15.3. Лабораторная работа № 3

15.4. Лабораторная работа № 4

15.5. Лабораторная работа № 5

15.6. Лабораторная работа № 6

Глава 16. Практические занятия

16.1. Практическое занятие № 1

16.2. Практическое занятие № 2

16.3. Практическое занятие № 3

16.4. Практическое занятие № 4

16.5. Практическое занятие № 5

Глава 17. Индивидуальное домашнее задание

Заключение

Литература

Отрывок из книги

35 Глава 1. Числовые атрибуты В этой главе мы обсуждаем основные статистические методы исследо-вательского анализа данных числовых атрибутов. Мы рассматриваем меры центральной тенденции или местоположения, меры дисперсии и меры линей-ной зависимости или связи между атрибутами. Мы подчеркиваем связь между вероятностным и геометрическим и алгебраическим представлениями матри-цы данных. 1.1. Однофакторный анализ Однофакторный анализ фокусируется на одном атрибуте в момент времени; таким образом, матрицу данных D можно представить как матрицу размера n × 1 или просто вектор-столбец, заданный как

Отзывы 2

Артельный Константин

(12 марта 2024 г.)

Книга Машинное обучение: учебник - отличное введение в мир искусственного интеллекта и алгоритмов машинного обучения. Авторы представляют материал доступно и понятно, что делает процесс изучения приятным и увлекательным. Рекомендую как хорошее начало для знакомства с темой.

Ответить

Печерский Тимофей

(3 марта 2024 г.)

Книга Машинное обучение: учебник - отличный источник информации по теме. Книга структурирована логично, простой язык и понятные примеры делают материал доступным для понимания. Рекомендую к прочтению для тех, кто хочет углубиться в мир машинного обучения.

Ответить

Оставить отзыв

Чтобы оставить отзыв, зарегистрируйтесь или войдите

Внимание!
При обнаружении неточностей или ошибок в описании книги "Машинное обучение (автор Евгений Бутырский, Владислав Цехановский, Наталия Жукова, Ильдар Баймуратов, Игорь Куликов)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!

Машинное обучение

Содержание

Отрывок из книги

Отзывы 2

другие книги автора

С книгой "Машинное обучение" читают