Avis des lecteurs
Résumé:Ce livre est un guide complet pour relever les défis posés par les ensembles de données déséquilibrés dans l'apprentissage automatique. Il associe des concepts théoriques à des applications pratiques, en proposant diverses méthodes, techniques d'échantillonnage, mesures d'évaluation et idées concrètes qui sont précieuses pour les praticiens et les apprenants.
Avantages:Le livre est perspicace, pratique et facile à comprendre, avec une couverture étendue des méthodes d'échantillonnage, de l'apprentissage sensible aux coûts, de la calibration des modèles et des mesures d'évaluation. Il comprend des exemples détaillés avec du code, des illustrations graphiques et un contenu attrayant comme des bandes dessinées. En outre, il fournit une expérience pratique grâce aux carnets GitHub, ce qui en fait une ressource précieuse pour ceux qui traitent des données déséquilibrées.
Inconvénients:Certains lecteurs pourraient trouver que le livre s'adresse davantage à des personnes ayant des connaissances préalables en apprentissage automatique, et qu'il ne couvre pas toutes les techniques avancées de manière exhaustive. Certains concepts peuvent nécessiter des études supplémentaires ou des ressources externes pour être pleinement compris.
(basé sur 10 avis de lecteurs)
Titre original :
Machine Learning for Imbalanced Data: Tackle imbalanced datasets using machine learning and deep learning techniques
Contenu du livre :
Ce guide essentiel vous permettra de passer à la vitesse supérieure en matière d'apprentissage automatique en utilisant des bibliothèques telles que imbalanced-learn, PyTorch, scikit-learn, pandas et NumPy pour maximiser les performances des modèles et traiter les données déséquilibrées.
Caractéristiques principales :
⬤ Comprendre comment utiliser les frameworks modernes d'apprentissage automatique grâce à des explications détaillées, des illustrations et des exemples de code.
⬤ Apprenez les techniques d'apprentissage profond de pointe pour surmonter le déséquilibre des données.
⬤ Les résultats de l'analyse des données sont présentés en détail dans le tableau ci-dessous.
⬤ L'achat du livre imprimé ou du livre Kindle inclut un livre électronique gratuit au format PDF.
Description du livre :
En tant que praticiens de l'apprentissage automatique, nous rencontrons souvent des ensembles de données déséquilibrés dans lesquels une classe a considérablement moins d'instances que l'autre. De nombreux algorithmes d'apprentissage automatique supposent un équilibre entre les classes majoritaires et minoritaires, ce qui conduit à des performances sous-optimales sur des données déséquilibrées. Ce guide complet vous aide à traiter ce déséquilibre de classe afin d'améliorer de manière significative les performances des modèles.
Machine Learning for Imbalanced Data commence par vous présenter les défis posés par les ensembles de données déséquilibrées et l'importance d'aborder ces questions. Il vous guide ensuite à travers des techniques qui améliorent les performances des modèles d'apprentissage automatique classiques lors de l'utilisation de données déséquilibrées, y compris diverses méthodes d'échantillonnage et d'apprentissage sensibles aux coûts.
Au fur et à mesure de votre progression, vous découvrirez des techniques similaires et plus avancées pour les modèles d'apprentissage profond, en utilisant PyTorch comme cadre principal. Tout au long du livre, des exemples pratiques fourniront un code fonctionnel et reproductible qui démontrera la mise en œuvre pratique de chaque technique.
À la fin de ce livre, vous serez capable d'identifier et de traiter les déséquilibres de classe et d'appliquer en toute confiance diverses techniques, notamment l'échantillonnage, les techniques sensibles aux coûts et l'ajustement des seuils, tout en utilisant des modèles traditionnels d'apprentissage automatique ou d'apprentissage profond.
Ce que vous apprendrez
⬤ Utiliser efficacement les données déséquilibrées dans vos modèles d'apprentissage automatique.
⬤ Explorer les métriques utilisées lorsque les classes sont déséquilibrées.
⬤ Comprendre comment et quand appliquer différentes méthodes d'échantillonnage telles que le sur-échantillonnage et le sous-échantillonnage.
⬤ Appliquer des approches basées sur les données, basées sur les algorithmes et hybrides pour traiter le déséquilibre des classes.
⬤ Combiner et choisir parmi diverses options pour l'équilibrage des données tout en évitant les pièges courants.
⬤ Comprendre les concepts de calibration de modèle et d'ajustement de seuil dans le contexte du traitement des ensembles de données déséquilibrés.
A qui s'adresse ce livre :
Ce livre s'adresse aux praticiens de l'apprentissage automatique qui souhaitent relever efficacement les défis posés par les ensembles de données déséquilibrés dans leurs projets. Les scientifiques des données, les ingénieurs/scientifiques de l'apprentissage automatique, les chercheurs/ingénieurs et les scientifiques/ingénieurs des données trouveront ce livre utile. Bien que les débutants complets puissent lire ce livre, une certaine familiarité avec les concepts de base de l'apprentissage automatique aidera les lecteurs à maximiser les avantages et les connaissances acquises grâce à cette ressource complète.
Autres informations sur le livre :
| ISBN : | 9781801070836 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
