[Кайл Галлатин, Крис Элбон] [БХВ] Машинное обучение с использованием Python. 2 изд. (2024)
![Изображение [Кайл Галлатин, Крис Элбон] [БХВ] Машинное обучение с использованием Python. 2 изд. (2024)](https://s5.vkurse.info/attachments/1722139719423-png.55010/ "Картинка [Кайл Галлатин, Крис Элбон] [БХВ] Машинное обучение с использованием Python. 2 изд. (2024)")
[БХВ] Машинное обучение с использованием Python. 2 изд. [Кайл Галлатин, Крис Элбон]
Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие. Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn. Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение. Приведены рецепты решений с использованием: векторов, матриц и массивов; данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников; обработки данных, текста, изображений, дат и времени; умень-шения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.
Во втором издании все примеры обновлены, рассмотрены задачи и фреймворки глубокого обучения, расширены разделы с тензорами, нейронными сетями и библиотекой глубокого обучения PyTorch.
Для разработчиков систем машинного обучения
В книге Вы найдете рецепты для:
Формат: pdf (скан)
Продажник:
Скачать:
[БХВ] Машинное обучение с использованием Python. 2 изд. [Кайл Галлатин, Крис Элбон]
Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие. Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn. Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение. Приведены рецепты решений с использованием: векторов, матриц и массивов; данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников; обработки данных, текста, изображений, дат и времени; умень-шения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.
Во втором издании все примеры обновлены, рассмотрены задачи и фреймворки глубокого обучения, расширены разделы с тензорами, нейронными сетями и библиотекой глубокого обучения PyTorch.
Для разработчиков систем машинного обучения
В книге Вы найдете рецепты для:
- векторов, матриц и массивов;
- работы с данными из CSV, JSON, SQL, базами данных, облачными хранилищами и другими источниками;
- обработки числовых и категориальных данных, текста, изображений, дат и времени;
- уменьшения размерности с использованием методов выделения или отбора признаков;
- оценивания и отбора моделей;
- сохранения и загрузки натренированных моделей.
- линейной и логистической регрессии, деревьев, лесов и k ближайших соседей;
- опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей.
Формат: pdf (скан)
Продажник:
Скачать:
