Алгоритмы Data Science и их практическая реализация на Python

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