Descripción
El aprendizaje automático de conjunto combina el poder de múltiples enfoques de aprendizaje automático, trabajando juntos para ofrecer modelos de alto rendimiento y gran precisión. Dentro de Ensemble Methods for Machine Learning encontrarás:
El aprendizaje automático de conjunto entrena un grupo diverso de modelos de aprendizaje automático para trabajar juntos, agregando su resultado para ofrecer resultados más ricos que un solo modelo. Ahora, en Ensemble Methods for Machine Learning descubrirás métodos de conjunto centrales que han demostrado su valía tanto en concursos de ciencia de datos como en aplicaciones del mundo real. Los estudios de caso prácticos te mostrarán cómo funciona cada algoritmo en producción. Cuando termines, conocerás los beneficios, las limitaciones y los métodos prácticos para aplicar el aprendizaje automático de conjunto a datos del mundo real, y estarás listo para construir sistemas de ML más explicables. La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications. Sobre la Tecnología Compara, contrasta y combina automáticamente la salida de múltiples modelos para obtener los mejores resultados de tus datos. El aprendizaje automático de conjunto aplica un método de "sabiduría de las multitudes" que evita las imprecisiones y limitaciones de un solo modelo. Al basar las respuestas en múltiples perspectivas, este enfoque innovador puede ofrecer predicciones robustas incluso sin conjuntos de datos masivos. Sobre el Libro Ensemble Methods for Machine Learning te enseña técnicas prácticas para aplicar múltiples enfoques de ML simultáneamente. Cada capítulo contiene un estudio de caso único que demuestra un método de conjunto completamente funcional, con ejemplos que incluyen diagnóstico médico, análisis de sentimientos, clasificación de escritura a mano y más. No hay matemáticas ni teoría complejas: aprenderás de manera visual, con abundante código para facilitar la experimentación. Contenido
Sobre el Lector Para programadores de Python con experiencia en aprendizaje automático. Sobre el Autor Gautam Kunapuli tiene más de 15 años de experiencia en el mundo académico y la industria del aprendizaje automático. Tabla de Contenidos PARTE 1 - LOS FUNDAMENTOS DE LOS CONJUNTOS
1 Métodos de conjunto: ¿Bombo o aleluya?
PARTE 2 - MÉTODOS DE CONJUNTO ESENCIALES
2 Conjuntos paralelos homogéneos: Bagging y bosques aleatorios
3 Conjuntos paralelos heterogéneos: Combinando aprendices fuertes
4 Conjuntos secuenciales: Adaptive boosting
5 Conjuntos secuenciales: Gradient boosting
6 Conjuntos secuenciales: Newton boosting
PARTE 3 - CONJUNTOS EN LA PRÁCTICA: ADAPTANDO LOS MÉTODOS DE CONJUNTO A TUS DATOS
7 Aprendizaje con etiquetas continuas y de conteo
8 Aprendizaje con características categóricas
9 Explicando tus conjuntos
Autor: Gautam Kunapuli
Editorial: Manning Publications
Publicado: 09/06/2023
Páginas: 350
Tipo de encuadernación: Tapa blanda
Peso: 1.33 lbs
Tamaño: 9.26h x 7.44w x 0.72d
ISBN13: 9781617297137
ISBN10: 1617297135
Categorías BISAC:
- Informática | Ciencia de Datos | Aprendizaje Automático
- Informática | Ciencia de Datos | Redes Neuronales
- Informática | Lenguajes | Python
- Métodos para clasificación, regresión y recomendaciones
- Implementaciones sofisticadas de conjuntos listas para usar
- Bosques aleatorios, boosting y gradient boosting
- Ingeniería de características y diversidad de conjuntos
- Interpretabilidad y explicabilidad para métodos de conjunto
El aprendizaje automático de conjunto entrena un grupo diverso de modelos de aprendizaje automático para trabajar juntos, agregando su resultado para ofrecer resultados más ricos que un solo modelo. Ahora, en Ensemble Methods for Machine Learning descubrirás métodos de conjunto centrales que han demostrado su valía tanto en concursos de ciencia de datos como en aplicaciones del mundo real. Los estudios de caso prácticos te mostrarán cómo funciona cada algoritmo en producción. Cuando termines, conocerás los beneficios, las limitaciones y los métodos prácticos para aplicar el aprendizaje automático de conjunto a datos del mundo real, y estarás listo para construir sistemas de ML más explicables. La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications. Sobre la Tecnología Compara, contrasta y combina automáticamente la salida de múltiples modelos para obtener los mejores resultados de tus datos. El aprendizaje automático de conjunto aplica un método de "sabiduría de las multitudes" que evita las imprecisiones y limitaciones de un solo modelo. Al basar las respuestas en múltiples perspectivas, este enfoque innovador puede ofrecer predicciones robustas incluso sin conjuntos de datos masivos. Sobre el Libro Ensemble Methods for Machine Learning te enseña técnicas prácticas para aplicar múltiples enfoques de ML simultáneamente. Cada capítulo contiene un estudio de caso único que demuestra un método de conjunto completamente funcional, con ejemplos que incluyen diagnóstico médico, análisis de sentimientos, clasificación de escritura a mano y más. No hay matemáticas ni teoría complejas: aprenderás de manera visual, con abundante código para facilitar la experimentación. Contenido
- Bagging, boosting y gradient boosting
- Métodos para clasificación, regresión y recuperación
- Interpretabilidad y explicabilidad para métodos de conjunto
- Ingeniería de características y diversidad de conjuntos
Sobre el Lector Para programadores de Python con experiencia en aprendizaje automático. Sobre el Autor Gautam Kunapuli tiene más de 15 años de experiencia en el mundo académico y la industria del aprendizaje automático. Tabla de Contenidos PARTE 1 - LOS FUNDAMENTOS DE LOS CONJUNTOS
1 Métodos de conjunto: ¿Bombo o aleluya?
PARTE 2 - MÉTODOS DE CONJUNTO ESENCIALES
2 Conjuntos paralelos homogéneos: Bagging y bosques aleatorios
3 Conjuntos paralelos heterogéneos: Combinando aprendices fuertes
4 Conjuntos secuenciales: Adaptive boosting
5 Conjuntos secuenciales: Gradient boosting
6 Conjuntos secuenciales: Newton boosting
PARTE 3 - CONJUNTOS EN LA PRÁCTICA: ADAPTANDO LOS MÉTODOS DE CONJUNTO A TUS DATOS
7 Aprendizaje con etiquetas continuas y de conteo
8 Aprendizaje con características categóricas
9 Explicando tus conjuntos
Autor: Gautam Kunapuli
Editorial: Manning Publications
Publicado: 09/06/2023
Páginas: 350
Tipo de encuadernación: Tapa blanda
Peso: 1.33 lbs
Tamaño: 9.26h x 7.44w x 0.72d
ISBN13: 9781617297137
ISBN10: 1617297135
Categorías BISAC:
- Informática | Ciencia de Datos | Aprendizaje Automático
- Informática | Ciencia de Datos | Redes Neuronales
- Informática | Lenguajes | Python