Avis des lecteurs
Résumé:Ce livre fournit un guide complet et pratique sur les méthodes d'ensemble dans l'apprentissage automatique, couvrant à la fois la compréhension théorique et la mise en œuvre pratique en Python. Il est particulièrement utile pour ceux qui cherchent à améliorer leurs modèles d'apprentissage automatique en tirant parti des forces de divers algorithmes.
Avantages:Le livre est pratique, accessible et interactif. Il offre une couverture pratique des méthodes d'ensemble adaptées aux systèmes de production et met l'accent sur des sujets importants tels que l'explicabilité et le traitement des caractéristiques catégorielles.
Inconvénients:Les critiques ne mentionnent pas d'inconvénients ou de désavantages significatifs liés à l'ouvrage.
(basé sur 2 avis de lecteurs)
Titre original :
Ensemble Methods for Machine Learning
Contenu du livre :
L'apprentissage automatique d'ensemble combine la puissance de plusieurs approches d'apprentissage automatique, travaillant ensemble pour fournir des modèles très performants et très précis.
Dans Ensemble Methods for Machine Learning, vous trouverez :
⬤ Des méthodes de classification, de régression et de recommandation.
⬤ Des implémentations d'ensembles sophistiquées prêtes à l'emploi.
⬤ Les forêts aléatoires, le boosting et le gradient boosting.
⬤ L'ingénierie des caractéristiques et la diversité des ensembles.
⬤ Interprétabilité et explicabilité des méthodes d'ensemble.
L'apprentissage automatique d'ensemble forme un groupe diversifié de modèles d'apprentissage automatique à travailler ensemble, en agrégeant leurs résultats pour fournir des résultats plus riches qu'un modèle unique. Dans Ensemble Methods for Machine Learning, vous découvrirez les principales méthodes d'ensemble qui ont fait leurs preuves à la fois dans les concours de science des données et dans les applications du monde réel. Des études de cas pratiques vous montrent comment chaque algorithme fonctionne en production. À la fin de l'ouvrage, vous connaîtrez les avantages, les limites et les méthodes pratiques de l'application de l'apprentissage automatique d'ensemble aux données du monde réel, et vous serez prêt à construire des systèmes d'apprentissage automatique plus faciles à expliquer.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie
Comparez, opposez et mélangez automatiquement les résultats de plusieurs modèles afin d'obtenir les meilleurs résultats à partir de vos données. L'apprentissage automatique d'ensemble applique une méthode de « sagesse des foules » qui évite les imprécisions et les limites d'un modèle unique. En basant les réponses sur des perspectives multiples, cette approche innovante peut fournir des prédictions robustes même en l'absence d'ensembles de données massifs.
À propos du livre
Ensemble Methods for Machine Learning (Méthodes d'ensemble pour l'apprentissage automatique) vous enseigne des techniques pratiques pour appliquer simultanément plusieurs approches d'apprentissage automatique. Chaque chapitre contient une étude de cas unique qui démontre une méthode d'ensemble entièrement fonctionnelle, avec des exemples tels que le diagnostic médical, l'analyse des sentiments, la classification de l'écriture manuscrite, et bien plus encore. Il n'y a pas de mathématiques ou de théories complexes - vous apprendrez de manière visuelle d'abord, avec beaucoup de code pour faciliter l'expérimentation !
Ce qu'il y a à l'intérieur
⬤ Bagging, boosting, et gradient boosting.
⬤ Méthodes de classification, de régression et de recherche.
⬤ Interprétabilité et explicabilité des méthodes d'ensemble.
⬤ L'ingénierie des caractéristiques et la diversité des ensembles.
A propos du lecteur
Pour les programmeurs Python ayant une expérience de l'apprentissage automatique.
A propos de l'auteur
Gautam Kunapuli a plus de 15 ans d'expérience dans le monde universitaire et dans l'industrie de l'apprentissage automatique.
Table des matières
PARTIE 1 - LES BASES DES ENSEMBLES
1 Méthodes d'ensemble : Effervescence ou alléluia ?
PARTIE 2 - MÉTHODES D'ENSEMBLE ESSENTIELLES
2 Ensembles parallèles homogènes : Bagging et forêts aléatoires.
3 Ensembles parallèles hétérogènes : Combinaison d'apprenants forts.
4 Ensembles séquentiels : Boosting adaptatif.
5 Ensembles séquentiels : Renforcement du gradient.
6 Ensembles séquentiels : Boosting de Newton.
PARTIE 3 - LES ENSEMBLES DANS LA NATURE : ADAPTER LES MÉTHODES D'ENSEMBLE À VOS DONNÉES
7 Apprentissage avec des étiquettes continues et de comptage.
8 Apprentissage avec des caractéristiques catégorielles.
9 Expliquer vos ensembles.
Autres informations sur le livre :
| ISBN : | 9781617297137 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2023 |
| Nombre de pages : | 350 |
Achat:
Actuellement disponible, en stock.
