Solutions pour la science des données avec Python : Modèles rapides et évolutifs avec Keras, PySpark MLlib, H2O, XGBoost et Scikit-Learn

Avis des lecteurs

Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.

Titre original :

Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn

Contenu du livre :

Appliquez l'apprentissage supervisé et non supervisé pour résoudre des problèmes pratiques et réels de big data. Ce livre vous apprend à concevoir des caractéristiques, à optimiser les hyperparamètres, à former et à tester des modèles, à développer des pipelines et à automatiser le processus d'apprentissage machine (ML).

Le livre couvre un cadre de calcul distribué en mémoire connu sous le nom de PySpark, des plateformes d'apprentissage automatique connues sous le nom de scikit-learn, PySpark MLlib, H2O, et XGBoost, et un cadre d'apprentissage profond (DL) connu sous le nom de Keras.

Le livre commence par présenter les modèles ML et DL supervisés et non supervisés, puis il examine les cadres de big data ainsi que les cadres ML et DL. L'auteur Tshepo Chris Nokeri examine un modèle paramétrique connu sous le nom de modèle linéaire généralisé et un modèle de régression de survie connu sous le nom de modèle d'aléas proportionnels de Cox, ainsi que le temps de défaillance accéléré (AFT). Un modèle de classification binaire (régression logistique) et un modèle d'ensemble (Gradient Boosted Trees) sont également présentés. Le livre présente le DL et un réseau neuronal artificiel connu sous le nom de classificateur MLP (Multilayer Perceptron). Une méthode d'analyse de grappes utilisant le modèle K-Means est abordée. Les techniques de réduction des dimensions telles que l'analyse en composantes principales et l'analyse discriminante linéaire sont explorées. Enfin, l'apprentissage automatique des machines est décortiqué.

Ce livre s'adresse aux data scientists et aux ingénieurs en apprentissage automatique de niveau intermédiaire qui souhaitent apprendre à appliquer les principaux cadres de big data et les cadres de ML et DL. Vous aurez besoin d'une connaissance préalable des bases de la statistique, de la programmation Python, des théories de la probabilité et de l'analyse prédictive.

Ce que vous apprendrez

⬤ Comprendre l'apprentissage supervisé et non supervisé répandu, y compris les techniques clés de réduction de la dimension.

⬤ Connaître les couches analytiques du big data telles que la visualisation des données, les statistiques avancées, l'analyse prédictive, l'apprentissage automatique et l'apprentissage profond.

⬤ Intégrer des cadres de big data avec un hybride de cadres d'apprentissage automatique et de cadres d'apprentissage profond.

⬤ Concevoir, construire, tester et valider des modèles d'apprentissage automatique et des modèles d'apprentissage profond qualifiés.

⬤ Optimiser les performances des modèles en utilisant la transformation des données, la régularisation, la correction des valeurs aberrantes, l'optimisation des hyperparamètres et la modification du ratio de division des données.

A qui s'adresse ce livre ?

Les scientifiques des données et les ingénieurs en apprentissage automatique ayant une connaissance et une compréhension de base de la programmation Python, des théories de la probabilité et de l'analyse prédictive.

Autres informations sur le livre :

• ISBN : 9781484277614
• Auteur : Chris Nokeri Tshepo
• Éditeur : Apress
• Langue : anglais
• Reliure : Broché
• Année de publication : 2021
• Nombre de pages : 119