Харрисон Мэтт. Машинное обучение: Карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python

Пер. с англ. и ред. В.А. Коваленка. — СПб.: Диалектика, 2020. — 320 с.: ил. — ISBN 978-5-907203-17-4 (рус.); ISBN 978-1-492-04754-4 (англ.).В книгу Машинное обучение: карманный справочник, включены подробные примеры и комментарии, которые помогут вам оперативно ориентироваться в основах структурированного машинного обучения(МО). Автор, Мэтт Харрисон, предлагает ценный справочник, который вы можете использовать как дополнительное пособие при обучении МО и в качестве удобного ресурса, когда погружаетесь в ваш следующий проект машинного обучения. Приведенные фрагменты кода имеют такой размер, чтобы их можно было использовать и адаптировать в ваших собственных проектах МО.Книга, идеально подходящая для программистов, аналитиков данных и инженеров искусственного интеллекта, содержит обзор процесса машинного обучения и знакомит вас с классификацией структурированных данных. В книге рассматриваются различные библиотеки и модели, их компромиссы, настройка и интерпретация. Кроме всего прочего вы изучите методы кластеризации, регрессии и уменьшения размерности.Основные темы книги:
Классификация с использованием набора данных Titanic
Как очистить данные и справиться с их недостатком
Разведочный анализ данных
Общие этапы предварительной обработки с использованием выборки данных
Выбор признаков, полезных для модели
Выбор модели
Оценка метрики и классификации
Примеры регрессии с использованием нескольких методов машинного обучения
Метрики для оценки регрессии
Кластеризация
Уменьшение размерности
Конвейеры Scikit-learnДля коrо написана эта книга:
Если вы только изучаете машинное обучение или работали с ним не один год, эта книга станет для вас ценным справочным материалом. Она предполагает некоторое знание языка Python и совсем не углубляется в синтаксис. Скорее, она де­монстрирует, как использовать различные библиотеки для решения реальных проблем. Она не заменит углубленный курс, но поможет вам ориен­тироваться в том, что может охватывать прикладной курс машинного обучения.