Cet ensemble est terminé
Voici une sélection d'ensembles que tu pourrais aimer
Abonne-toi à notre newsletter électronique pour recevoir les promotions Fanatical directement dans ta boîte de réception.
Tu peux te désinscrire de la lnewsletter à tout moment. En t'inscrivant à notre newsletter, tu acceptes notre Politique de confidentialité.
Machine Learning Bundle 2nd Edition

Détails de l'ensemble


Hands-On Ensemble Learning with Python
Combinez des techniques d'apprentissage automatique populaires pour créer des modèles d'ensemble à l'aide de Python
Principales caractéristiques
- Mettre en œuvre des modèles d'ensemble à l'aide d'algorithmes tels que les forêts aléatoires et AdaBoost
- Appliquez des méthodes de boosting, d'ensachage et d'empilement d'ensemble pour améliorer la précision des prédictions de votre modèle
- Explorez des ensembles de données du monde réel et des exemples pratiques codés dans scikit-learn et Keras
Description du livre
L'assemblage est une technique consistant à combiner deux ou plusieurs algorithmes d'apprentissage automatique similaires ou dissemblables pour créer un modèle offrant une puissance prédictive supérieure. Ce livre montrera comment vous pouvez utiliser une variété d'algorithmes faibles pour créer un modèle prédictif fort.
Grâce à son approche pratique, vous vous familiariserez non seulement avec la théorie de base, mais aussi avec l'application de diverses techniques d'apprentissage d'ensemble. À l'aide d'exemples et d'ensembles de données du monde réel, vous serez en mesure de produire de meilleurs modèles d'apprentissage automatique pour résoudre des problèmes d'apprentissage supervisé tels que la classification et la régression. En outre, vous continuerez à tirer parti des techniques d'apprentissage d'ensemble telles que le clustering pour produire des modèles d'apprentissage automatique non supervisés. À mesure que vous progressez, les chapitres couvriront différents algorithmes d'apprentissage automatique qui sont largement utilisés dans le monde pratique pour faire des prédictions et des classifications. Vous pourrez même vous familiariser avec l'utilisation de bibliothèques Python telles que scikit-learn et Keras pour implémenter différents modèles d'ensemble.
À la fin de ce livre, vous serez bien familiarisé avec l'apprentissage d'ensemble et aurez les compétences nécessaires pour comprendre quelle méthode d'ensemble est requise pour quel problème et les mettre en œuvre avec succès dans des scénarios du monde réel.
Ce que vous apprendrez
- Mettre en œuvre des méthodes d'ensemble pour générer des modèles avec une grande précision
- Surmonter des défis tels que le biais et la variance
- Explorez les algorithmes d'apprentissage automatique pour évaluer les performances du modèle
- Comprendre comment construire, évaluer et appliquer des modèles d'ensemble
- Analysez les tweets en temps réel à l'aide de l'API de streaming de Twitter
- Utilisez Keras pour créer un ensemble de réseaux de neurones pour l'ensemble de données MovieLens
À qui s'adresse ce livre
Ce livre est destiné aux analystes de données, scientifiques des données, ingénieurs en apprentissage automatique et autres professionnels qui cherchent à générer des modèles avancés à l'aide de techniques d'ensemble. Une compréhension du code Python et une connaissance de base des statistiques sont nécessaires pour tirer le meilleur parti de ce livre.
eBook Détails
À propos de cet ensemble
Résolvez des défis complexes, créez des projets de données efficaces et bien plus encore avec le pack d'apprentissage machine 2e édition.
Avec 15 livres électroniques, vous vous familiariserez avec des applications telles que TensorFlow, Python, R et Go grâce à une série de guides pratiques et simples à suivre qui sont parfaits pour les débutants et ceux d'un niveau plus intermédiaire.
Explorez des ensembles de données du monde réel et des exemples pratiques codés dans scikit-learn et Keras avec Hands-On Ensemble Learning avec Python; tout savoir sur les stratégies de déploiement et faire passer votre application ML du prototype à la production avec le guide de démarrage rapide Machine Learning with Go; et découvrez comment l'apprentissage automatique peut détecter la fraude, prévoir les tendances financières, analyser les sentiments des clients et plus encore avec Machine Learning for Finance.
Développer, former, régler et déployer des modèles de réseaux neuronaux pour accélérer les performances des modèles dans le cloud avec Mastering Machine Learning sur AWS; apprendre les concepts de base et les calculs pour comprendre comment les réseaux de neurones artificiels fonctionnent avec l'apprentissage automatique pratique avec Microsoft Excel 2019; et surmontez les défis courants rencontrés lors du déploiement et de la mise à l'échelle des flux de travail d'apprentissage automatique avec l'aide de Machine Learning With Go - Deuxième édition.
Libérez la puissance de Spark ML avec les algorithmes d'apprentissage automatique populaires pour résoudre des tâches complexes dans Scala grâce à l'apprentissage automatique avec le guide de démarrage rapide de Scala; comprendre les algorithmes de Q-learning pour entraîner les réseaux de neurones à l'aide du processus de décision de Markov (MDP) avec Q-Learning pratique avec Python; et exploitez la puissance de R pour créer des modèles d'apprentissage automatique flexibles, efficaces et transparents avec Machine Learning avec R - Third Edition.
Trouvez des solutions de code faciles à suivre pour relever les défis courants et pas si courants avec Python Machine Learning Cookbook - Deuxième édition; comprendre ce que la plate-forme IBM Cloud peut vous aider à mettre en œuvre des connaissances cognitives dans les applications grâce à l'apprentissage automatique pratique avec IBM Watson; et créez des pipelines d'apprentissage automatique de bout en bout à l'aide de bibliothèques modernes de l'écosystème R grâce au Guide de démarrage rapide de Machine Learning with R.
Utilisez des bibliothèques Python telles que TensorFlow et Keras pour créer des actions cognitives intelligentes pour vos projets avec Python Machine Learning By Example - Second Edition; utilisez des exemples pratiques qui vous montrent comment mettre en œuvre différentes techniques d'apprentissage automatique et d'apprentissage en profondeur avec l'apprentissage pratique non supervisé avec Python; et implémentez des concepts avancés et des algorithmes d'apprentissage automatique populaires dans des projets réels.
Les eBooks inclus dans cet ensemble sont disponibles aux formats EPUB, MOBI et PDF.