Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn
Wenden Sie überwachtes und unüberwachtes Lernen an, um praktische und reale Big-Data-Probleme zu lösen. In diesem Buch lernen Sie, wie Sie Funktionen entwickeln, Hyperparameter optimieren, Modelle trainieren und testen, Pipelines entwickeln und den Prozess des maschinellen Lernens (ML) automatisieren.
Das Buch behandelt ein speicherbasiertes, verteiltes Cluster-Computing-Framework namens PySpark, Framework-Plattformen für maschinelles Lernen wie scikit-learn, PySpark MLlib, H2O und XGBoost sowie ein Deep-Learning-Framework namens Keras.
Das Buch beginnt mit der Vorstellung von überwachten und unüberwachten ML- und DL-Modellen und untersucht dann Big Data Frameworks zusammen mit ML- und DL-Frameworks. Der Autor Tshepo Chris Nokeri betrachtet ein parametrisches Modell, das als verallgemeinertes lineares Modell bekannt ist, und ein Überlebensregressionsmodell, das als Cox-Proportional-Hazards-Modell bekannt ist, zusammen mit der Accelerated Failure Time (AFT). Außerdem werden ein binäres Klassifikationsmodell (logistische Regression) und ein Ensemble-Modell (Gradient Boosted Trees) vorgestellt. Das Buch stellt DL und ein künstliches neuronales Netz vor, das als MLP-Klassifikator (Multilayer Perceptron) bekannt ist. Es wird eine Methode zur Durchführung von Clusteranalysen mit dem K-Means-Modell behandelt. Techniken zur Dimensionsreduktion wie die Hauptkomponentenanalyse und die lineare Diskriminanzanalyse werden erforscht. Und das automatisierte maschinelle Lernen wird ausgepackt.
Dieses Buch richtet sich an Datenwissenschaftler und Ingenieure für maschinelles Lernen auf mittlerem Niveau, die lernen möchten, wie man die wichtigsten Big-Data-Frameworks und ML- und DL-Frameworks anwendet. Sie benötigen Vorkenntnisse in den Grundlagen der Statistik, Python-Programmierung, Wahrscheinlichkeitstheorien und Predictive Analytics.
Was Sie lernen werden
⬤ Verständnis des weit verbreiteten überwachten und unüberwachten Lernens, einschließlich wichtiger Techniken zur Dimensionsreduktion.
⬤ Kenntnis der Big-Data-Analyseschichten wie Datenvisualisierung, fortgeschrittene Statistik, prädiktive Analytik, maschinelles Lernen und Deep Learning.
⬤ Integration von Big-Data-Frameworks mit einer Mischung aus Frameworks für maschinelles Lernen und Deep-Learning-Frameworks.
⬤ Entwerfen, Erstellen, Testen und Validieren von qualifizierten maschinellen Modellen und Deep-Learning-Modellen.
⬤ Optimieren Sie die Modellleistung durch Datentransformation, Regularisierung, Ausreißerbeseitigung, Hyperparameter-Optimierung und Änderung des Datenaufteilungsverhältnisses.
Für wen ist dieses Buch gedacht?
Datenwissenschaftler und Ingenieure für maschinelles Lernen mit grundlegenden Kenntnissen und Verständnis von Python-Programmierung, Wahrscheinlichkeitstheorien und prädiktiver Analytik.
| ISBN: | 9781484277614 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 119 |
Derzeit verfügbar, auf Lager.
