PROGRAMMIROVANIE MAShINNOGO OBUChENIYa V PYTHON

Jorge Gómez

ISBN 10: 6205365278 / ISBN 13: 9786205365274

Editore: Sciencia Scripts Nov 2022, 2022

Riguardo questo articolo

Neuware -Obuchenie pod nablüdeniem opisywaet scenarij, w kotorom opyt stanowitsq obuchaüschim faktorom, soderzhaschim wazhnuü informaciü (naprimer, metki 'bol'noj/zdorowyj' dlq obnaruzheniq boleznej rastenij), kotoraq otsutstwuet w newidimyh 'testowyh primerah', k kotorym budet primenqt'sq poluchennyj opyt. V ätom scenarii priobretennyj opyt naprawlen na predskazanie nedostaüschej informacii dlq testowyh dannyh. V ätom smysle okruzhaüschuü sredu mozhno rassmatriwat' kak uchitelq, kotoryj kontroliruet uchenika, predostawlqq emu dopolnitel'nuü informaciü w wide metok. V ätoj knige my rassmotrim modeli kontroliruemogo mashinnogo obucheniq, s pomosch'ü kotoryh wy pojmete teoreticheskie osnowy, nekotorye opisaniq prikladnyh oblastej, a zatem realizuete kazhduü iz nih w laboratorii Jupyter s pomosch'ü bibliotek pandas i scikit-learn dlq Python. Snachala wy nachnete s logisticheskoj regressii (binarnaq klassifikaciq), mnogoklassowoj klassifikacii s pomosch'ü logisticheskoj regressii, derew'ew reshenij, mashin wektorow podderzhki - SVM (Support Vector Machines), Random Forest, K-Fold Cross Validation i, nakonec, Naive BBooks on Demand GmbH, Überseering 33, 22297 Hamburg 112 pp. Russisch. Codice articolo 9786205365274

Dati bibliografici

Titolo: PROGRAMMIROVANIE MAShINNOGO OBUChENIYa V ...

Casa editrice: Sciencia Scripts Nov 2022

Data di pubblicazione: 2022

Legatura: Taschenbuch

Condizione: Neu

Descrizione articolo

Riassunto:

Обучение под наблюдением описывает сценарий, в котором опыт становится обучающим фактором, содержащим важную информацию (например, метки "больной/здоровый" для обнаружения болезней растений), которая отсутствует в невидимых "тестовых примерах", к которым будет применяться полученный опыт. В этом сценарии приобретенный опыт направлен на предсказание недостающей информации для тестовых данных. В этом смысле окружающую среду можно рассматривать как учителя, который контролирует ученика, предоставляя ему дополнительную информацию в виде меток. В этой книге мы рассмотрим модели контролируемого машинного обучения, с помощью которых вы поймете теоретические основы, некоторые описания прикладных областей, а затем реализуете каждую из них в лаборатории Jupyter с помощью библиотек pandas и scikit-learn для Python. Сначала вы начнете с логистической регрессии (бинарная классификация), многоклассовой классификации с помощью логистической регрессии, деревьев решений, машин векторов поддержки - SVM (Support Vector Machines), Random Forest, K-Fold Cross Validation и, наконец, Naive B