Diese Sammlung ist beendet
Hier siehst du eine Auswahl von Bundles die dir gefallen könnten
Abonniere unseren E-Mail-Newsletter, um Angebote von Fanatical direkt in deinen Posteingang zu bekommen.
Du kannst dich jederzeit über den Newsletter abmelden. Mit dem Abonnieren unseres Newsletters erklärst du dich mit unserer Datenschutz-Bestimmungen einverstanden.
Machine Learning Bundle 2nd Edition

Details der Sammlung


Hands-On Ensemble Learning with Python
Kombinieren Sie gängige Techniken des maschinellen Lernens, um mit Python Ensemble-Modelle zu erstellen
Hauptmerkmale
- Implementieren Sie Ensemble-Modelle mithilfe von Algorithmen wie Random Forest und AdaBoost
- Wenden Sie Boosting-, Bagging- und Stacking-Ensemble-Methoden an, um die Vorhersagegenauigkeit Ihres Modells zu verbessern
- Entdecken Sie reale Datensätze und praktische Beispiele, die in scikit-learn und Keras codiert sind
Buchbeschreibung
Ensembling ist eine Technik zum Kombinieren von zwei oder mehr ähnlichen oder unterschiedlichen Algorithmen für maschinelles Lernen, um ein Modell zu erstellen, das eine überlegene Vorhersagekraft liefert. Dieses Buch zeigt, wie Sie mit einer Vielzahl schwacher Algorithmen ein starkes Vorhersagemodell erstellen können.
Mit seinem praktischen Ansatz lernen Sie nicht nur die grundlegende Theorie kennen, sondern auch die Anwendung verschiedener Ensemble-Lerntechniken. Anhand von Beispielen und realen Datensätzen können Sie bessere Modelle für maschinelles Lernen erstellen, um überwachte Lernprobleme wie Klassifizierung und Regression zu lösen. Darüber hinaus nutzen Sie Ensemble-Lerntechniken wie Clustering, um unbeaufsichtigte Modelle für maschinelles Lernen zu erstellen. Im weiteren Verlauf werden in den Kapiteln verschiedene Algorithmen für maschinelles Lernen behandelt, die in der praktischen Welt häufig verwendet werden, um Vorhersagen und Klassifizierungen vorzunehmen. Sie werden sogar die Verwendung von Python-Bibliotheken wie scikit-learn und Keras für die Implementierung verschiedener Ensemble-Modelle in den Griff bekommen.
Am Ende dieses Buches sind Sie mit dem Lernen von Ensembles vertraut und verfügen über die erforderlichen Fähigkeiten, um zu verstehen, welche Ensemble-Methode für welches Problem erforderlich ist, und um sie erfolgreich in realen Szenarien umzusetzen.
Was du lernen wirst
- Implementieren Sie Ensemble-Methoden, um Modelle mit hoher Genauigkeit zu generieren
- Überwinde Herausforderungen wie Voreingenommenheit und Varianz
- Erforschen Sie Algorithmen für maschinelles Lernen, um die Modellleistung zu bewerten
- Verstehen, wie Ensemblemodelle konstruiert, bewertet und angewendet werden
- Analysieren Sie Tweets in Echtzeit mithilfe der Streaming-API von Twitter
- Verwenden Sie Keras, um ein Ensemble neuronaler Netze für das MovieLens-Dataset zu erstellen
Für wen dieses Buch ist
Dieses Buch richtet sich an Datenanalysten, Datenwissenschaftler, Ingenieure für maschinelles Lernen und andere Fachleute, die mithilfe von Ensemble-Techniken fortschrittliche Modelle erstellen möchten. Um dieses Buch optimal nutzen zu können, sind Kenntnisse in Python-Code und Grundkenntnisse in Statistik erforderlich.
eBook-Details
Über dieses Bundle
Lösen Sie komplexe Herausforderungen, erstellen Sie effektive Datenprojekte und vieles mehr mit dem Machine Learning Bundle 2nd Edition.
Mit 15 eBooks lernen Sie Anwendungen wie TensorFlow, Python, R und Go anhand einer Reihe von praktischen und einfach zu befolgenden Anleitungen kennen, die sich perfekt für Anfänger und Fortgeschrittene eignen.
Entdecken Sie reale Datensätze und praktische Beispiele, die in scikit-learn und Keras mit Hands-On Ensemble Learning mit Python codiert sind. Erfahren Sie alles über Bereitstellungsstrategien und bringen Sie Ihre ML-Anwendung mit maschinellem Lernen mit Go Quick Start Guide vom Prototyp zum produktionsbereiten. Erfahren Sie, wie maschinelles Lernen mit Machine Learning for Finance Betrug erkennen, finanzielle Trends prognostizieren, Kundenstimmungen analysieren und vieles mehr kann.
Entwickeln, trainieren, optimieren und implementieren Sie neuronale Netzwerkmodelle, um die Modellleistung in der Cloud mit Mastering Machine Learning unter AWS zu beschleunigen. Lernen Sie die grundlegenden Konzepte und Berechnungen kennen, um zu verstehen, wie künstliche neuronale Netze mit praktischem maschinellem Lernen mit Microsoft Excel 2019 funktionieren. und bewältigen Sie die allgemeinen Herausforderungen beim Bereitstellen und Skalieren der Workflows für maschinelles Lernen mithilfe von Machine Learning With Go - Second Edition.
Nutzen Sie die Leistungsfähigkeit von Spark ML zusammen mit den gängigen Algorithmen für maschinelles Lernen, um komplexe Aufgaben in Scala durch maschinelles Lernen mit der Scala-Kurzanleitung zu lösen. Q-Learning-Algorithmen zum Trainieren neuronaler Netze mithilfe des Markov Decision Process (MDP) mit praktischem Q-Learning mit Python verstehen; und nutzen Sie die Leistungsfähigkeit von R, um mit Machine Learning with R - Third Edition flexible, effektive und transparente Modelle für maschinelles Lernen zu erstellen.
Mit Python Machine Learning Cookbook - Second Edition finden Sie einfach zu verfolgende Codelösungen zur Bewältigung häufiger und weniger häufiger Herausforderungen. Verstehen, welche IBM Cloud-Plattform Ihnen helfen kann, kognitive Erkenntnisse in Anwendungen mit Hands-On Machine Learning mit IBM Watson zu implementieren; Erstellen Sie mithilfe moderner Bibliotheken aus dem R-Ökosystem dank des maschinellen Lernens mit der R-Kurzanleitung End-to-End-Pipelines für maschinelles Lernen.
Verwenden Sie Python-Bibliotheken wie TensorFlow und Keras, um intelligente kognitive Aktionen für Ihre Projekte mit Python Machine Learning By Example - Second Edition zu erstellen. Verwenden Sie praktische Beispiele, die Ihnen zeigen, wie Sie verschiedene Techniken des maschinellen Lernens und des tiefen Lernens mit unbeaufsichtigtem praktischen Lernen mit Python implementieren. und implementieren fortschrittliche Konzepte und beliebte Algorithmen für maschinelles Lernen in realen Projekten.
Die in diesem Bundle enthaltenen eBooks sind in den Formaten EPUB, MOBI und PDF verfügbar.