Bewertung:
Das Buch ist ein umfassender Leitfaden für die Bewältigung von Herausforderungen, die sich durch unausgewogene Datensätze beim maschinellen Lernen ergeben. Es verbindet theoretische Konzepte mit praktischen Anwendungen und bietet verschiedene Methoden, Sampling-Techniken, Bewertungsmetriken und Erkenntnisse aus der Praxis, die sowohl für Praktiker als auch für Lernende wertvoll sind.
Vorteile:Das Buch ist aufschlussreich, praxisorientiert und leicht verständlich und bietet eine umfassende Behandlung von Sampling-Methoden, kostensensitivem Lernen, Modellkalibrierung und Bewertungsmetriken. Es enthält detaillierte Beispiele mit Code, grafischen Illustrationen und ansprechenden Inhalten wie Cartoons. Darüber hinaus bietet es praktische Erfahrungen durch GitHub-Notebooks, was es zu einer wertvollen Ressource für diejenigen macht, die mit unausgewogenen Daten arbeiten.
Nachteile:Einige Leser werden feststellen, dass sich das Buch eher an Personen mit Vorkenntnissen im Bereich des maschinellen Lernens richtet und nicht jede fortgeschrittene Technik erschöpfend behandelt. Bestimmte Konzepte erfordern möglicherweise noch zusätzliche Studien oder externe Ressourcen, um sie vollständig zu verstehen.
(basierend auf 10 Leserbewertungen)
Machine Learning for Imbalanced Data: Tackle imbalanced datasets using machine learning and deep learning techniques
Bringen Sie Ihr Fachwissen über maschinelles Lernen mit diesem unverzichtbaren Leitfaden auf die nächste Stufe und nutzen Sie Bibliotheken wie imbalanced-learn, PyTorch, scikit-learn, pandas und NumPy, um die Modellleistung zu maximieren und unausgewogene Daten zu bewältigen.
Hauptmerkmale:
⬤ Verstehen Sie die Verwendung moderner Frameworks für maschinelles Lernen mit detaillierten Erklärungen, Illustrationen und Codebeispielen.
⬤ Lernen Sie modernste Deep-Learning-Techniken zur Überwindung von Datenungleichgewichten kennen.
⬤ Erforschen Sie verschiedene Methoden für den Umgang mit schiefen Daten in ML- und DL-Anwendungen.
⬤ Der Kauf des gedruckten Buches oder des Kindle-Buches beinhaltet ein kostenloses eBook im PDF-Format.
Buchbeschreibung:
In der Praxis des maschinellen Lernens stoßen wir häufig auf unausgewogene Datensätze, bei denen eine Klasse deutlich weniger Instanzen aufweist als die andere. Viele Algorithmen für maschinelles Lernen gehen von einem Gleichgewicht zwischen Mehrheits- und Minderheitsklassen aus, was zu einer suboptimalen Leistung bei unausgewogenen Daten führt. Dieser umfassende Leitfaden hilft Ihnen, dieses Klassenungleichgewicht zu beseitigen und die Modellleistung deutlich zu verbessern.
Maschinelles Lernen für unausgewogene Daten beginnt mit einer Einführung in die Herausforderungen, die unausgewogene Datensätze mit sich bringen, und in die Wichtigkeit, diese Probleme anzugehen. Anschließend werden Sie durch Techniken geführt, die die Leistung klassischer maschineller Lernmodelle bei der Verwendung unausgewogener Daten verbessern, einschließlich verschiedener Sampling- und kostensensitiver Lernmethoden.
Im weiteren Verlauf werden Sie sich mit ähnlichen und fortgeschritteneren Techniken für Deep-Learning-Modelle beschäftigen, wobei PyTorch als primäres Framework eingesetzt wird. Während des gesamten Buches werden Sie anhand von praktischen Beispielen funktionierenden und reproduzierbaren Code finden, der die praktische Umsetzung jeder Technik demonstriert.
Am Ende dieses Buches werden Sie in der Lage sein, Ungleichgewichte zwischen den Klassen zu erkennen und zu beheben und verschiedene Techniken wie Sampling, kostensensitive Techniken und Schwellenwertanpassungen sicher anzuwenden, während Sie traditionelle Machine-Learning- oder Deep-Learning-Modelle verwenden.
Was Sie lernen werden:
⬤ Nutzen Sie unausgewogene Daten in Ihren maschinellen Lernmodellen effektiv.
⬤ Erforschen Sie die Metriken, die verwendet werden, wenn Klassen unausgewogen sind.
⬤ Verstehen, wie und wann man verschiedene Sampling-Methoden wie Over-Sampling und Under-Sampling anwendet.
⬤ Anwendung von datenbasierten, algorithmusbasierten und hybriden Ansätzen zur Bewältigung von Klassenungleichgewichten.
⬤ Kombinieren und wählen Sie aus verschiedenen Optionen für den Datenausgleich und vermeiden Sie dabei häufige Fallstricke.
⬤ Die Konzepte der Modellkalibrierung und Schwellenwertanpassung im Kontext des Umgangs mit unausgewogenen Datensätzen zu verstehen.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an Praktiker des maschinellen Lernens, die in ihren Projekten die Herausforderungen unausgewogener Datensätze effektiv angehen wollen. Datenwissenschaftler, Ingenieure/Wissenschaftler für maschinelles Lernen, Forschungswissenschaftler/Ingenieure und Datenwissenschaftler/Ingenieure werden dieses Buch hilfreich finden. Obwohl dieses Buch auch für absolute Anfänger geeignet ist, wird eine gewisse Vertrautheit mit den Kernkonzepten des maschinellen Lernens den Lesern helfen, den Nutzen und die Erkenntnisse aus dieser umfassenden Ressource zu maximieren.
| ISBN: | 9781801070836 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
