Note :
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 3 votes.
Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models
Chapitre 1 : Introduction aux données en flux continuObjectif du chapitre : présenter aux lecteurs le concept de données en flux continu, les différents défis qui y sont associés, certaines de ses applications commerciales dans le monde réel, diverses techniques de fenêtrage ainsi que les concepts d'algorithmes d'apprentissage incrémentiel et en ligne. Ce chapitre aidera également à comprendre le concept d'évaluation de modèle dans le cas de données en continu et fournira une introduction au cadre Scikit-Multiflow en Python. No de pages- 35Sous -thèmes1. Données en flux continu2. Défis du streaming de données3. Dérive des concepts4. Applications du streaming de données5. Techniques de fenêtrage6. Apprentissage progressif et apprentissage en ligne7. Illustration : Adoption d'apprenants par lots en apprenants incrémentaux8. Introduction au cadre Scikit-Multiflow9. Évaluation des algorithmes de streaming.
Chapitre 2 : Détection des changementsObjectif du chapitre : aider les lecteurs à comprendre les différents algorithmes de détection des changements/dérives de concepts et leur mise en œuvre sur différents ensembles de données à l'aide de Scikit-Multiflow. Nombre de pages : 35Sous - Sujets : 1. Problème de détection des changements2. Algorithmes de détection de dérive de concept3. ADWIN4. DDM5. EDDM6. Page Hinkley.
Chapitre 3 : Apprentissage supervisé et non supervisé pour les données en continuObjectif du chapitre : aider les lecteurs à comprendre les divers algorithmes de régression et de classification (y compris l'apprentissage d'ensemble) pour les données en continu et leur mise en œuvre sur divers ensembles de données à l'aide de Scikit-Multiflow. Ce chapitre aborde également certaines approches de clustering pour les données en continu et leur implémentation à l'aide de Python. Nombre de pages : 35Sous - Sujets : 1. Régression avec des données en streaming2. Classification avec des données en flux continu3. Apprentissage d'ensemble avec des données en continu4. Regroupement avec des données en continu.
Chapitre 4 : Autres outils et voie à suivreObjectif du chapitre : présenter aux lecteurs les autres outils open source permettant de traiter les données en continu, tels que Spark streaming, MOA et d'autres encore. De plus, il informe le lecteur sur les lectures complémentaires pour les sujets avancés de l'analyse des données en continu. Nombre de pages : 35Sous - Sujets : 1. Autres outils pour le traitement des données en continu1. 1. 1. Apache Spark1. 1. 2. Analyse massive en ligne (MOA)1. 1. 3. Apache Kafka2. Domaines de recherche actifs et percées dans l'analyse des données en continu3. Conclusion.
| ISBN : | 9781484268667 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 118 |
Actuellement disponible, en stock.
