Алгоритмы Data Science и их практическая реализация на Python

Читать фрагмент

книга

Алгоритмы Data Science и их практическая реализация на Python

Автор: Андрей Протодьяконов, Петр Пылов, Владимир Садовников

Рассмотрен полный каскад разработки моделей искусственного интеллекта. Проанализирована область Data Science, из которой выделены все необходимые для прикладной сферы алгоритмы машинного обучения, расположенные по уровню возрастания сложности работы с ними. Для студентов, изучающих информационные технологии. Может быть полезно как начинающим программистам, так и специалистам высокого уровня.

Форматы: PDF

Издательство: Инфра-Инженерия

Год: 2022

Место издания: Москва, Вологда

ISBN: 978-5-9729-1006-9

Страниц: 392

Артикул: 110418

Возрастная маркировка: 16+

Электронная книга

1640 ₽

Купить и скачать

Содержание

Содержание книги "Алгоритмы Data Science и их практическая реализация на Python "

Предисловие

Часть 1. Процесс машинного обучения

Задачи машинного обучения

Модель и процесс машинного обучения

ПонятиеЕТЕ

Понятие EDA

Подготовка данных

Разбиение выборки

Оптимизация гиперпараметров

Недообучение и переобучение

Смещение, разброс и ошибка данных

Использование HDF

Часть 2. Метрики и модели общие

Метод максимального правдоподобия

Метод наименьших квадратов

Аппроксимация пропусков в данных

Среднеквадратичная ошибка

Метрики и расстояния

Часть практических навыков к1 -2

Процесс ETL

Интерполяция и экстраполяция

Оценка модели

Линейная регрессия

Оптимизация потребления памяти

EDA и исследование зависимостей в данных

Заполнение пропусков в данных

Часть 3. Модели линейной регрессии

Линейная регрессия и Е1_Е2-регуляризация

Изотоническая регрессия

BICnAIC

Полиномиальная регрессия

Линеаризация регрессии

Часть практических навыков кЗ

Обогащение данных

Иерархия моделей

Оптимизация регрессии

Экспорт и импорт данных

Ансамбль регрессионных моделей

Расчет результатов

Часть 4. Модели классификации и её метрики

Точность и полнота

F-мера

ROCAUCnGini

Оценка Каппа Коэна

Взвешенная квадратичная оценка Каппа Коэна

Логистическая функция потерь

Метод ближайших соседей

Часть практических навыков к 4

Страховой скоринг

F1 и Каппа оценки классификации

Метод ближайших соседей

Наивный Байес в задаче классификации скоринга и оптимизации потребления памяти

Логистическая регрессия

Иерархия логистической ргерессии

Метод опорных векторов (Support-Vector Machine)

Часть 5. Ансамблевые модели

Ансамблевые модели

Бутсрэп

Бэггинг

Случайный лес

Out-of-Bag

Сверхслучайные деревья

Адаптивный бустинг

LogitBoost, BrownBoost и L2Boost

Градиентный спуск

Градиентный бустинг и XGBoost

Стохастический градиентный бустинг

Часть практических навыков к5

Решающие деревья

Случайный лес

Бустинг с XGBoost

Часть 6. Продвинутые ансамбли

LightGBM

CatBoost

Ансамбль стекинга

Часть практических навыков к 6

LightGBM

CatBoost

Ансамбль классификации

Расчет результатов

Часть 7. Искусственные нейронные сети

Искусственные нейронные сети

Слои в нейросетях

Нейрон смещения

Функции активации

Обратное распространение ошибки

Многослойный перцептрон

Часть практических навыков к 7

Задача предсказания формы облаков

Предобработка изображений

Опорные векторы и коэффициент сходства

Двухслойный перцептрон

Часть 8. Обучение нейросети

Эпохи, пакеты, итерации

Оптимизация нейронной сети по Нестерову

Адаптивная оптимизация нейронной сети

RMSprop, Adadelta, Adam

Оптимизация нейронных сетей

Пакетная нормализация

Регуляризация обучения нейронных сетей

Методы инициализации весов в нейронных сетях

Дополнение данных

Свертка и подвыборка

Сверточные нейронные сети

Часть практических навыков к 8

Свертка и предвыборка

Активация и оптимизаторы

Нормализация и переобучение

Дополнение изображений

Часть 9. Архитектуры сверточных нейросетей

LeNet

AlexNet

VGG

GoogLeNet

Inception

ResNet

ResNetXt

SE-ResNet

EfficientNet

DenseNet

MobileNet

Часть практических навыков к 9

LeNet и AlexNet

VGG16hVGG19

GoogLeNet и Inception-BN

InceptionV3 и V4

ResNet

Архитектура нейросети

MobileNet для различных предметных областей

Библиографический список

Приложение 1. Варианты заданий для самостоятельной реализации алгоритмов машинного обучения

Приложение 2. Варианты заданий для исследовательских работ в области машинного обучения

Приложение 3. Варианты заданий, включающие в себя самостоятельный этап Data Mining, для построения End-To-End решений в области машинного обучения

Внимание!
При обнаружении неточностей или ошибок в описании книги "Алгоритмы Data Science и их практическая реализация на Python (автор Андрей Протодьяконов, Петр Пылов, Владимир Садовников)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!

Алгоритмы Data Science и их практическая реализация на Python

Содержание

другие книги автора

С книгой "Алгоритмы Data Science и их практическая реализация на Python" читают