Bewertung:
Das Buch bietet einen umfassenden und praktischen Leitfaden zu Ensemble-Methoden im maschinellen Lernen, der sowohl das theoretische Verständnis als auch die praktische Umsetzung in Python abdeckt. Es ist besonders für diejenigen von Nutzen, die ihre Modelle für maschinelles Lernen verbessern wollen, indem sie die Stärken verschiedener Algorithmen nutzen.
Vorteile:Das Buch ist praxisorientiert, leicht zugänglich und interaktiv. Es bietet eine praktische Abdeckung von Ensemble-Methoden, die für Produktionssysteme geeignet sind, und betont wichtige Themen wie Erklärbarkeit und Umgang mit kategorialen Merkmalen.
Nachteile:In den Rezensionen werden keine nennenswerten Nachteile oder Nachteile des Buches genannt.
(basierend auf 2 Leserbewertungen)
Ensemble Methods for Machine Learning
Das maschinelle Lernen mit Ensemble-Methoden kombiniert die Leistungsfähigkeit mehrerer maschineller Lernansätze, die zusammenarbeiten, um Modelle zu erstellen, die sehr leistungsfähig und sehr genau sind.
In Ensemble Methods for Machine Learning finden Sie:
⬤ Methoden für Klassifizierung, Regression und Empfehlungen.
⬤ Hochentwickelte Ensemble-Implementierungen von der Stange.
⬤ Zufällige Wälder, Boosting und Gradient Boosting.
⬤ Feature Engineering und Ensemble-Vielfalt.
⬤ Interpretierbarkeit und Erklärbarkeit für Ensemble-Methoden.
Beim maschinellen Lernen mit Ensemble-Methoden wird eine vielfältige Gruppe von maschinellen Lernmodellen für die Zusammenarbeit trainiert, wobei deren Ergebnisse aggregiert werden, um reichhaltigere Ergebnisse als ein einzelnes Modell zu liefern. In Ensemble Methods for Machine Learning lernen Sie die wichtigsten Ensemble-Methoden kennen, die sich sowohl in Data-Science-Wettbewerben als auch in realen Anwendungen bewährt haben. Praktische Fallstudien zeigen Ihnen, wie jeder Algorithmus in der Produktion funktioniert. Am Ende des Buches werden Sie die Vorteile, Grenzen und praktischen Methoden der Anwendung von Ensemble-Maschinenlernen auf reale Daten kennen und in der Lage sein, besser erklärbare ML-Systeme zu entwickeln.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
Vergleichen, kontrastieren und mischen Sie automatisch die Ergebnisse mehrerer Modelle, um die besten Ergebnisse aus Ihren Daten herauszuholen. Das maschinelle Lernen im Ensemble wendet eine „Weisheit der Massen“ an, die die Ungenauigkeiten und Einschränkungen eines einzelnen Modells umgeht. Da die Antworten auf mehreren Perspektiven basieren, kann dieser innovative Ansatz auch ohne große Datensätze zuverlässige Vorhersagen liefern.
Über das Buch
Ensemble Methods for Machine Learning lehrt Sie praktische Techniken für die gleichzeitige Anwendung mehrerer ML-Ansätze. Jedes Kapitel enthält eine einzigartige Fallstudie, die eine voll funktionsfähige Ensemble-Methode demonstriert, mit Beispielen wie medizinische Diagnose, Stimmungsanalyse, Handschriftenklassifizierung und mehr. Es gibt keine komplexe Mathematik oder Theorie - Sie lernen auf eine visuelle Art und Weise, mit reichlich Code zum einfachen Experimentieren!
Was ist drin?
⬤ Bagging, Boosting und Gradient Boosting.
⬤ Methoden für Klassifizierung, Regression und Retrieval.
⬤ Interpretierbarkeit und Erklärbarkeit von Ensemble-Methoden.
⬤ Feature Engineering und Ensemble-Vielfalt.
(Über den Leser)
Für Python-Programmierer mit Erfahrung im maschinellen Lernen.
Über den Autor
Gautam Kunapuli hat über 15 Jahre Erfahrung in der akademischen Welt und in der Machine-Learning-Branche.
Inhaltsverzeichnis
TEIL 1 - DIE GRUNDLAGEN DER ENSEMBLES
1 Ensemblemethoden: Hype oder Hallelujah?
TEIL 2 - WESENTLICHE ENSEMBLE-METHODEN
2 Homogene parallele Ensembles: Bagging und Random Forests.
3 Heterogene parallele Ensembles: Die Kombination starker Lerner.
4 Sequentielle Ensembles: Adaptives Boosten.
5 Sequentielle Ensembles: Gradienten-Boosting.
6 Sequentielle Ensembles: Newton-Boosting.
TEIL 3 - ENSEMBLES IN DER PRAXIS: ANPASSUNG VON ENSEMBLE-METHODEN AN IHRE DATEN
7 Lernen mit kontinuierlichen und zählenden Merkmalen.
8 Lernen mit kategorialen Merkmalen.
9 Erläutern Sie Ihre Ensembles.
| ISBN: | 9781617297137 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 350 |
Derzeit verfügbar, auf Lager.
