Интерактивное пособие по машинному обучению на Python + PDF
Close
Click to order
Cart
Total: 
Письмо с интерактивным пособием и PDF автоматически придет вам на почту после оплаты
Email
Интерактивное пособие по машинному обучению на Python
999 руб.

Единственное пособие, дающее практические навыки создания моделей машинного обучения. Подробно разобран каждый этап проектирования: от подготовки данных до осуществления прогнозов. В конце вы закрепите полученные знания, выполнив несколько полноценных проектов разных типов по пошаговым руководствам.
Онлайн + PDF (178 с.)
74 примера кода
17 руководств
3 полноценных проекта
Вы освоите все этапы построения модели:
Анализ датасета
Анализ датасета
— загрузка датасета
— подготовка статистических сводок
— визуализация показателей датасета
Подготовка к моделированию
Подготовка к моделированию
— преобразование выборки
— выбор статистически значимых признаков
Моделирование
Моделирование
— построение регрессий
— классификация
Выбор алгоритма
Выбор алгоритма
— выбор показателей для сравнения алгоритмов
— сравнение алгоритмов
— автоматизация моделирования
— оценка алгоритмов методом ресеплинга
Оптимизация модели
Оптимизация модели
— настройка алгоритмов
— создание ансамблей из нескольких алгоритмов
Завершение проекта
Завершение проекта
— прогнозы на новых данных
— сохранение проекта
Вы научитесь работать со следующими библиотеками:
NumPy
SciPy
Pandas
Matplotlib
Scikit-Learn
Интерактивное пособие предназначено для разработчиков…
…которые практически ничего не знают о машинном обучении, но очень хотят создавать качественные прогнозные модели.
Интерактивное пособие научит вас:
Создавать модели под ключ и внедрять их в бизнес-процессы
Добиваться высокой точности прогнозов
Работать как с небольшими, так и с очень большими датасетами
Находить дополнительную информацию по Python и необходимым для работы библиотекам
В пособии подробно рассматриваются все модули, классы и функции Python, необходимые для создания моделей под ключ.
Для создания «боевых» моделей машинного обучения необходима экосистема Python с библиотеками scikit-learn и pandas.
Python — это динамично развивающаяся платформа для машинного обучения. С помощью нескольких строк кода вы сможете протестировать сразу несколько алгоритмов машинного обучения. Этот же код вы сможете внедрить в бизнес-процессы.
В этом пособии, написанном
в дружелюбном стиле, вы узнайте, с чего начать работу и как применить навыки машинного обучения на практике.
17 уроков
3 проекта
Урок 1: Экосистема Python для машинного обучения.
Урок 2: Интенсив по Python и SciPy.
Урок 3: Загрузка датасетов в формате CSV
Урок 4: Анализ данных методами описательной статистики
Урок 5: Анализ данных с помощью визуализации.
Урок 6: Предобработка данных.
Урок 7: Отбор признаков для модели.
Урок 8: Методы дискретизации. (Оценка алгоритмов)
Урок 9: Оценка качества с помощью ресемплинга
Урок 10: Метрики качества алгоритмов
Урок 11: Построение алгоритмов классификации
Урок 12: Построение регрессионных моделей
Урок 13: Сравнение алгоритмов машинного обучения
Урок 14: Конвейеры.
Урок 15: Ансамблевые методы.
Урок 16: Настройка алгоритмов.
Урок 17: Сохранение и загрузка проекта.
Проект 1: Классификация ирисов
Проект 2: Регрессионная модель
Проект 3: Бинарная классификация
Как построены уроки?
Как построены проекты?
Каждый урок содержит:

  • Описания, которые помогут вам понять экосистему Python для машинного обучения.
  • Пошаговые руководства Python, показывающие применение каждой техники и алгоритма.
  • Полноценные проекты Python, показывающие, как применить все знания в комплексе и получить результат.
  • Примеры готового к запуску кода Python по каждому шагу.

Книга включает в себя все, что необходимо для старта:

  • Руководство по установке экосистемы Python.
  • Мини-курс по синтаксису языка Python и руководство по установке необходимых библиотек.
  • Руководство по загрузке датасета из CSV или по URL.
  • Руководство по созданию статистических сводок, а также 7 способов анализа ваших данных.
  • Руководство по визуализации характеристик вашего датасета.
  • Руководство по подготовке датасета к моделированию.
  • Руководство по выбору признаков, а также 4 метода сокращения выборки, позволяющие ускорить моделирование.
Каждый проект включает:

  • 4 методики оценки качества модели.
  • Руководство по выбору метрик оценки качества.
  • Методологию теста сразу нескольких алгоритмов (как линейных, так и нелинейных), в целях выявления лучшего.
  • Методология сравнения и выбора лучшего алгоритма машинного обучения с помощью графиков и обобщения показателей качества моделей.
  • Автоматизация стандартных задач в ходе создания проектов машинного обучения.
  • Улучшение показателей качества моделей с помощью ансамблей алгоритмов.
  • 2 способа выбора оптимальных настроек каждого алгоритма.
  • Руководство по сохранению проекта и его повторной загрузке.

Чтобы вам было легче собрать воедино знания из отдельных уроков и получить результат, мы подготовили для вас:

  • Шаблон структуры проекта, который вы можете использовать для старта работы над любой задачей прогнозного моделирования на Python с использованием scikit-learn.
  • Практическое занятие, в ходе которого вы создадите ваш первый проект и пройдете все этапы, описанные в уроках.
  • Проект регрессии для прогнозирования цен на жилье, который нацелен на практику преобразования датасета, настройки алгоритмов и составления ансамблей алгоритмов в целях получения высоких показателей качества моделей.
  • Практическое занятие по решению задачи бинарной классификации: прогнозирование породы по данным сонара
  • Подборка проектов, которые вы можете создать самостоятельно для практики.
Заказ бумажного варианта пособия
+ интерактив и PDF
Способ доставки
Интерактив + PDF сразу на e-mail.
Бумажный вариант пособия
1499 руб.

В комплект также входит интерактивное пособие и PDF
Made on
Tilda