Читать фрагмент

книга

Основы машинного обучения

Настоящее учебное пособие предназначено для студентов бакалавриата, обучающихся по направлению 09.03.03 - прикладная информатика. Пособие содержит теоретический и практический материал по следующим разделам машинного обучения: предварительная обработка данных, классификация, регрессия, кластеризация и ансамблевые методы.Материал структурирован на введение и семь глав. Каждая глава включает необходимый теоретический минимум, примеры программного кода и наглядные иллюстрации. Пособие отражает опыт преподавания автором курса «Основы машинного обучения» в Институте высоких технологий и пьезотехники ЮФУ.

Форматы: PDF

Издательство: Южный федеральный университет

Год: 2025

Место издания: Ростов-на-Дону, Таганрог

ISBN: 978-5-9275-5105-7

Страниц: 279

Артикул: 115929

Возрастная маркировка: 16+

Электронная книга

416 ₽

Купить и скачать

Содержание

Содержание книги "Основы машинного обучения "

Введение

Методологические заметки

Основные понятия машинного обучения

1. Предварительная обработка данных

1.1 Неполные данные

1.1.1 Использование Pandas

1.1.2 SimpleImputer

1.1.3 IterativeImputer

1.2 Кодирование категориальных признаков

1.2.1 LabelEncoder

1.2.2 OneHotEncoder

1.3 Качество данных

1.4 Нормализация данных

1.4.1 Минимаксная нормализация

1.4.2 Стандартизация

1.5 Понижение размерности данных

1.5.1 Метод главных компонент

2. Методы классификации. 43

2.1 Метод k ближайших соседей

2.1.1 KNeighborsClassiҥer

2.1.2 RadiusNeighborsClassiҥer

2.2 Линейно разделимые классы

2.2.1 Метод опорных векторов

2.2.2 Модернизация метода опорных векторов для случая, когда классы не являются линейно разделимыми

2.3 Метод логистической регрессии

2.4 Решающие деревья

2.5 Наивный Байесовский алгоритм

2.5.1 CategoricalNB

2.5.2 GaussianNB

3. Оценка качества работы классификаторов

3.1 Основные метрики качества

3.1.1 Accuracy

3.1.2 Precision

3.1.3 Recall

3.1.4 F1-Score

3.2 ROC-кривая

4. Регрессия. 117

4.1 Алгоритм ближайших соседей в регрессии

4.2 Алгоритм решающих деревьев в задачах регрессии

4.3 Линейная регрессия

4.4 Метод опорных векторов в задачах регрессии

4.4.1 Классы LinearSVR и SVR

4.5 Метод наименьших квадратов

4.5.1 Аналитический метод решения

4.5.2 Метод градиентного спуска

4.6 Регуляризация линейной регрессии

4.6.1 Ridge

4.6.2 Lasso

4.6.3 Elastic-Net

4.7 Построение регрессионных моделей при наличии выбросов

4.7.1 RANSAC

4.7.2 Регрессия Тейла-Сена

4.7.3 Регрессия Хьюбера

4.8 Полиномиальная регрессия

5. Ансамблевые методы машинного обучения

5.1 Бэггинг

5.2 Алгоритм случайного леса

5.3 Стекинг

5.4 Бустинг

5.4.1 AdaBoost

5.4.2 Градиентный бустинг

6. Кластеризация. 235

6.1 Метод k-средних

6.2 Метод среднего сдвига

6.3 Алгоритм DBSCAN

6.4 Алгоритм HDBSCAN

7. Дополнительные методы настройки модели

7.1 Перекрёстная проверка

7.1.1 Функция cross_val_score

7.1.2 Функция cross_validate

7.2 Итераторы прекрёстной проверки

7.2.1 KFold

7.2.2 RepeatedKFold

7.2.3 LeaveOneOut

7.2.4 LeavePOut

7.2.5 StratiҥedKFold

7.2.6 RepeatedStratiҥedKFold

7.2.7 GroupKFold

7.2.8 LeaveOneGroupOut

7.2.9 LeavePGroupsOut

7.2.10 ShuffleSplit

7.2.11 StratiҥedShuffleSplit

7.2.12 GroupShuffleSplit

7.3 Оптимизация модели

7.3.1 GridSearchCV

7.3.2 RandomizedSearchCV

Литература

Предметный указатель

Отрывок из книги

SimpleImputer ( s t r a t e g y=’ c o n s t a n t ’, f i l l _ v a l u e=np . i n f )Основные параметры класса SimpleImputer:•missing_values - для данного параметра допустимыми типами дан-ных являются int, ѕoat, str, np.nan, Заполнитель для пропущенныхзначений. Значение по умолчанию np.nan;•strategy - праметр принимает одно зарезервированных строковых зна-чений или статистический параметр одномерного массива, в приве-дённых выше примерах такими являлись np.mean и функция func.Значение по умолчанию mean. Допустимые строковые значения:ҫmean заменять на среднее значение соответствующего параметра;ҫmedian заменять на медианное значение соответствующего пара-метра;ҫmost_frequent заменять на наиболее часто встречающееся значе-ние соответствующего параметра, если таких зачений несколько,то меньшее из них;ҫconstant заменять на значение заданное параметром ҥll_value.•ҥll_value - значение, которое будет использоваться для замены в слу-чае если параметр strategy равен значению constant.Основные атрибуты класса SimpleImputer:•statistics_ - значения для заполнения недостающих данных по каж-дому параметру;•n_features_in_ - количество проверяемых параметров;•feature_names_in_ - названия проверяемых параметров.Основные методы класса SimpleImputer:•ҥt - в качестве аргумента принимает двумерный массивоподобныйтип данных (объём данных на количество параметров) и возвращаетподобранный оценщик;•ҥt_transform - в качестве аргумента принимает двумерный массиво-подобный тип данных (объём данных на количество параметров), со-здаёт подобранный оценщик и возвращает преобразованный массив;16

Внимание!
При обнаружении неточностей или ошибок в описании книги "Основы машинного обучения (автор Анатолий Ефимов)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!