Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
![Język publikacji: angielski Język publikacji: angielski](https://static01.helion.com.pl/global/flagi/1.png)
- Autorzy:
- David Julian, Sebastian Raschka, John Hearty
![Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning David Julian, Sebastian Raschka, John Hearty - okładka ebooka](https://static01.helion.com.pl/global/okladki/326x466/e_2wr6.png)
![Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning David Julian, Sebastian Raschka, John Hearty - tył okładki ebooka](https://static01.helion.com.pl/global/okladki-tyl/326x466/e_2wr6.png)
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Dostępne formaty:
-
PDFePubMobi
Opis ebooka: Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
The idea is to prepare a learning path that will help you to tackle the real-world complexities of modern machine learning with innovative and cutting-edge techniques. Also, it will give you a solid foundation in the machine learning design process, and enable you to build customized machine learning models to solve unique problems.
The course begins with getting your Python fundamentals nailed down. It focuses on answering the right questions that cove a wide range of powerful Python libraries, including scikit-learn Theano and Keras.After getting familiar with Python core concepts, it’s time to dive into the field of data science. You will further gain a solid foundation on the machine learning design and also learn to customize models for solving problems.
At a later stage, you will get a grip on more advanced techniques and acquire a broad set of powerful skills in the area of feature selection and feature engineering.
Wybrane bestsellery
-
Dzięki tej książce dowiesz się, jak pozyskiwać, analizować i wizualizować dane, a potem używać ich do rozwiązywania problemów biznesowych. Wystarczy, że znasz podstawy Pythona i matematyki na poziomie liceum, aby zacząć stosować naukę o danych w codziennej pracy. Znajdziesz tu szereg praktycznych...(41.40 zł najniższa cena z 30 dni)
41.40 zł
69.00 zł(-40%) -
W dynamicznie zmieniającym się świecie biznesu automatyzacja procesów staje się kluczowym elementem sukcesu każdej organizacji. Technologia RPA (ang. robotic process automation) w połączeniu z zarządzaniem projektami i inżynierią oprogramowania tworzy nowy standard w zarządzaniu zasobami i operac...(49.05 zł najniższa cena z 30 dni)
76.30 zł
109.00 zł(-30%) -
Ta książka wyjaśni Ci rolę matematyki w tworzeniu, renderowaniu i zmienianiu wirtualnych środowisk 3D, a ponadto pozwoli odkryć tajemnice najpopularniejszych dzisiaj silników gier. Za sprawą licznych praktycznych ćwiczeń zorientujesz się, co się kryje za rysowaniem linii i kształtów graficznych, ...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. ...(65.40 zł najniższa cena z 30 dni)
65.40 zł
109.00 zł(-40%) -
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Światowy bestseller, dzięki któremu - według ostrożnych szacunków - codziennie ktoś staje się nowym MILIONEREM! Dowiedz się jak wykorzystać praktycznie nieograniczone możliwości Sztucznej Inteligencji. Nieważne, czy jesteś freelancerem, prowadzisz własną firmę, masz wolny zawód, chcesz zająć się ...
-
Dzięki tej książce zrozumiesz, że w rekurencji nie kryje się żadna magia. Dowiesz się, na czym polega jej działanie i kiedy warto zastosować algorytm rekursywny, a kiedy lepiej tego nie robić. Poznasz szereg klasycznych i mniej znanych algorytmów rekurencyjnych. Pracę z zawartym tu materiałem uła...(47.40 zł najniższa cena z 30 dni)
47.40 zł
79.00 zł(-40%) -
Książka stanowi kompendium wiedzy na temat tej niesłychanie szybko rozwijającej się i dynamicznie wkraczającej w nasze życie dziedziny. Została napisana tak, aby była przystępna dla osób posiadających podstawowe umiejętności matematyczne. Może stanowić podręcznik dla studentów takich kierunków ja...(29.40 zł najniższa cena z 30 dni)
29.40 zł
49.00 zł(-40%) -
To książka przeznaczona dla inżynierów, którzy chcą stosować systemy uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych. Zaprezentowano w niej systemy ML używane w szybko rozwijających się startupach, a także przedstawiono holistyczne podejście do ich projektowania ― z...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Ta książka jest praktycznym podręcznikiem opartym na sprawdzonej metodyce: nauce poprzez pisanie kodu w Pythonie. Aby w pełni z niego skorzystać, nie musisz znać wyższej matematyki. Dzięki praktycznym lekcjom szybko zaczniesz programowo tworzyć konkretne rozwiązania. Dowiesz się, jak można zaimpl...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%)
O autorach ebooka
Sebastian Raschka jest ekspertem w dziedzinie analizy danych i uczenia maszynowego. Obecnie przygotowuje doktorat na Michigan State University z metod obliczeniowych w biologii statystycznej. Biegle posługuje się Pythonem. Raschka bierze również udział w różnych projektach open source i wdraża nowe metody uczenia maszynowego. W wolnym czasie pracuje nad modelami predykcyjnymi dyscyplin sportowych. Jeżeli nie siedzi przed monitorem, chętnie uprawia sport.
David Julian, Sebastian Raschka, John Hearty - pozostałe książki
-
Fully updated with PyTorch and the latest additions to scikit-learn. Packed with clear explanations, visualizations, and working examples, the book covers essential machine learning techniques in depth, along with two cutting-edge machine learning techniques: transformers and graph neural networks.
Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python
Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov
(133.67 zł najniższa cena z 30 dni)133.17 zł
149.00 zł(-11%) -
Oto obszerny przewodnik po uczeniu maszynowym i uczeniu głębokim w Pythonie. Zawiera dokładne omówienie najważniejszych technik uczenia maszynowego oraz staranne wyjaśnienie zasad rządzących tą technologią. Poszczególne zagadnienia zilustrowano mnóstwem wyjaśnień, wizualizacji i przykładów, co zn...(89.40 zł najniższa cena z 30 dni)
89.40 zł
149.00 zł(-40%) -
This third edition is updated with TensorFlow 2 and the latest additions to scikit-learn. Packed with clear explanations, visualizations, and working examples, the book covers essential machine learning techniques in depth, along with two cutting-edge machine learning techniques: reinforcement le...
-
Ta książka jest drugim, wzbogaconym i zaktualizowanym wydaniem znakomitego podręcznika do nauki o danych. Wyczerpująco opisano tu teoretyczne podwaliny uczenia maszynowego. Sporo uwagi poświęcono działaniu algorytmów uczenia głębokiego, sposobom ich wykorzystania oraz metodom unikania istotnych b...(49.50 zł najniższa cena z 30 dni)
49.50 zł
99.00 zł(-50%) -
PyTorch is extremely powerful and yet easy to learn. It provides advanced features such as supporting multiprocessor, distributed and parallel computation. This book is an excellent entry point for those wanting to explore deep learning with PyTorch to harness its power.
-
Niniejsza książka jest lekturą obowiązkową dla każdego, kto chce rozwinąć swoją wiedzę o danych naukowych i zamierza w tym celu wykorzystać język Python. Przystępnie opisano tu teoretyczne podstawy dziedziny i przedstawiono wyczerpujące informacje o działaniu algorytmów uczenia maszynowego, sposo...(34.50 zł najniższa cena z 30 dni)
34.50 zł
69.00 zł(-50%) -
Niniejsza książka jest przystępnie napisanym podręcznikiem, dzięki któremu poznasz niektóre zaawansowane techniki uczenia maszynowego. Szczególną uwagę poświęcono tu algorytmom uczenia maszynowego: zostały dokładnie wyjaśnione, opisano ich zastosowanie oraz topologię, metody uczenia i miary wydaj...(28.50 zł najniższa cena z 30 dni)
28.50 zł
57.00 zł(-50%) -
This second edition of Python Machine Learning by Sebastian Raschka is for developers and data scientists looking for a practical approach to machine learning and deep learning. In this updated edition, you’ll explore the machine learning process using Python and the latest open source tec...(100.11 zł najniższa cena z 30 dni)
99.61 zł
119.00 zł(-16%) -
Machine learning is increasingly spreading in the modern data-driven world. It is used extensively across many fields such as search engines, robotics, self-driving cars, and more. Machine learning is transforming the way we understand and interact with the world around us.In the first module, Py...
Python: Real World Machine Learning. Take your Python Machine learning skills to the next level
Prateek Joshi, Luca Massaron, John Hearty, Alberto Boschetti, Bastiaan Sjardin
-
Designed to take you on a guided tour of the most relevant and powerful machine learning techniques in use today by top data scientists, this book is just what you need to push your Python algorithms to maximum potential. Clear examples and detailed code samples demonstrate deep learning techniqu...
Advanced Machine Learning with Python. Solve challenging data science problems by mastering cutting-edge machine learning techniques in Python
Victor Marak, Nishant Shukla, John Hearty, Jeffery Yee, Man Chon (Kevin) U, Gavin Hackeling
Ebooka "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- Tytuł oryginału:
- Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
- ISBN Ebooka:
- 978-17-871-2857-6, 9781787128576
- Data wydania ebooka:
-
2016-08-31
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku Pdf:
- 13.9MB
- Rozmiar pliku ePub:
- 23.1MB
- Rozmiar pliku Mobi:
- 35.2MB
Spis treści ebooka
- Python: Deeper Insights into Machine Learning
- Table of Contents
- Python: Deeper Insights into Machine Learning
- Python: Deeper Insights into Machine Learning
- Credits
- Preface
- What this learning path covers
- What you need for this learning path
- Who this learning path is for
- Reader feedback
- Customer support
- Downloading the example code
- Errata
- Piracy
- Questions
- 1. Module 1
- 1. Giving Computers the Ability to Learn from Data
- Building intelligent machines to transform data into knowledge
- The three different types of machine learning
- Making predictions about the future with supervised learning
- Classification for predicting class labels
- Regression for predicting continuous outcomes
- Making predictions about the future with supervised learning
- Solving interactive problems with reinforcement learning
- Discovering hidden structures with unsupervised learning
- Finding subgroups with clustering
- Dimensionality reduction for data compression
- 1. Giving Computers the Ability to Learn from Data
- An introduction to the basic terminology and notations
- A roadmap for building machine learning systems
- Preprocessing getting data into shape
- Training and selecting a predictive model
- Evaluating models and predicting unseen data instances
- Using Python for machine learning
- Installing Python packages
- Summary
- 2. Training Machine Learning Algorithms for Classification
- Artificial neurons a brief glimpse into the early history of machine learning
- Implementing a perceptron learning algorithm in Python
- Training a perceptron model on the Iris dataset
- Adaptive linear neurons and the convergence of learning
- Minimizing cost functions with gradient descent
- Implementing an Adaptive Linear Neuron in Python
- Large scale machine learning and stochastic gradient descent
- Summary
- 3. A Tour of Machine Learning Classifiers Using Scikit-learn
- Choosing a classification algorithm
- First steps with scikit-learn
- Training a perceptron via scikit-learn
- Modeling class probabilities via logistic regression
- Logistic regression intuition and conditional probabilities
- Learning the weights of the logistic cost function
- Training a logistic regression model with scikit-learn
- Tackling overfitting via regularization
- Maximum margin classification with support vector machines
- Maximum margin intuition
- Dealing with the nonlinearly separable case using slack variables
- Alternative implementations in scikit-learn
- Solving nonlinear problems using a kernel SVM
- Using the kernel trick to find separating hyperplanes in higher dimensional space
- Decision tree learning
- Maximizing information gain getting the most bang for the buck
- Building a decision tree
- Combining weak to strong learners via random forests
- K-nearest neighbors a lazy learning algorithm
- Summary
- 4. Building Good Training Sets Data Preprocessing
- Dealing with missing data
- Eliminating samples or features with missing values
- Imputing missing values
- Understanding the scikit-learn estimator API
- Dealing with missing data
- Handling categorical data
- Mapping ordinal features
- Encoding class labels
- Performing one-hot encoding on nominal features
- Partitioning a dataset in training and test sets
- Bringing features onto the same scale
- Selecting meaningful features
- Sparse solutions with L1 regularization
- Sequential feature selection algorithms
- Assessing feature importance with random forests
- Summary
- 5. Compressing Data via Dimensionality Reduction
- Unsupervised dimensionality reduction via principal component analysis
- Total and explained variance
- Feature transformation
- Principal component analysis in scikit-learn
- Unsupervised dimensionality reduction via principal component analysis
- Supervised data compression via linear discriminant analysis
- Computing the scatter matrices
- Selecting linear discriminants for the new feature subspace
- Projecting samples onto the new feature space
- LDA via scikit-learn
- Using kernel principal component analysis for nonlinear mappings
- Kernel functions and the kernel trick
- Implementing a kernel principal component analysis in Python
- Example 1 separating half-moon shapes
- Example 2 separating concentric circles
- Projecting new data points
- Kernel principal component analysis in scikit-learn
- Summary
- 6. Learning Best Practices for Model Evaluation and Hyperparameter Tuning
- Streamlining workflows with pipelines
- Loading the Breast Cancer Wisconsin dataset
- Combining transformers and estimators in a pipeline
- Streamlining workflows with pipelines
- Using k-fold cross-validation to assess model performance
- The holdout method
- K-fold cross-validation
- Debugging algorithms with learning and validation curves
- Diagnosing bias and variance problems with learning curves
- Addressing overfitting and underfitting with validation curves
- Fine-tuning machine learning models via grid search
- Tuning hyperparameters via grid search
- Algorithm selection with nested cross-validation
- Looking at different performance evaluation metrics
- Reading a confusion matrix
- Optimizing the precision and recall of a classification model
- Plotting a receiver operating characteristic
- The scoring metrics for multiclass classification
- Summary
- 7. Combining Different Models for Ensemble Learning
- Learning with ensembles
- Implementing a simple majority vote classifier
- Combining different algorithms for classification with majority vote
- Evaluating and tuning the ensemble classifier
- Bagging building an ensemble of classifiers from bootstrap samples
- Leveraging weak learners via adaptive boosting
- Summary
- 8. Applying Machine Learning to Sentiment Analysis
- Obtaining the IMDb movie review dataset
- Introducing the bag-of-words model
- Transforming words into feature vectors
- Assessing word relevancy via term frequency-inverse document frequency
- Cleaning text data
- Processing documents into tokens
- Training a logistic regression model for document classification
- Working with bigger data online algorithms and out-of-core learning
- Summary
- 9. Embedding a Machine Learning Model into a Web Application
- Serializing fitted scikit-learn estimators
- Setting up a SQLite database for data storage
- Developing a web application with Flask
- Our first Flask web application
- Form validation and rendering
- Turning the movie classifier into a web application
- Deploying the web application to a public server
- Updating the movie review classifier
- Summary
- 10. Predicting Continuous Target Variables with Regression Analysis
- Introducing a simple linear regression model
- Exploring the Housing Dataset
- Visualizing the important characteristics of a dataset
- Implementing an ordinary least squares linear regression model
- Solving regression for regression parameters with gradient descent
- Estimating the coefficient of a regression model via scikit-learn
- Fitting a robust regression model using RANSAC
- Evaluating the performance of linear regression models
- Using regularized methods for regression
- Turning a linear regression model into a curve polynomial regression
- Modeling nonlinear relationships in the Housing Dataset
- Dealing with nonlinear relationships using random forests
- Decision tree regression
- Random forest regression
- Summary
- 11. Working with Unlabeled Data Clustering Analysis
- Grouping objects by similarity using k-means
- K-means++
- Hard versus soft clustering
- Using the elbow method to find the optimal number of clusters
- Quantifying the quality of clustering via silhouette plots
- Grouping objects by similarity using k-means
- Organizing clusters as a hierarchical tree
- Performing hierarchical clustering on a distance matrix
- Attaching dendrograms to a heat map
- Applying agglomerative clustering via scikit-learn
- Locating regions of high density via DBSCAN
- Summary
- 12. Training Artificial Neural Networks for Image Recognition
- Modeling complex functions with artificial neural networks
- Single-layer neural network recap
- Introducing the multi-layer neural network architecture
- Activating a neural network via forward propagation
- Modeling complex functions with artificial neural networks
- Classifying handwritten digits
- Obtaining the MNIST dataset
- Implementing a multi-layer perceptron
- Training an artificial neural network
- Computing the logistic cost function
- Training neural networks via backpropagation
- Developing your intuition for backpropagation
- Debugging neural networks with gradient checking
- Convergence in neural networks
- Other neural network architectures
- Convolutional Neural Networks
- Recurrent Neural Networks
- A few last words about neural network implementation
- Summary
- 13. Parallelizing Neural Network Training with Theano
- Building, compiling, and running expressions with Theano
- What is Theano?
- First steps with Theano
- Configuring Theano
- Working with array structures
- Wrapping things up a linear regression example
- Building, compiling, and running expressions with Theano
- Choosing activation functions for feedforward neural networks
- Logistic function recap
- Estimating probabilities in multi-class classification via the softmax function
- Broadening the output spectrum by using a hyperbolic tangent
- Training neural networks efficiently using Keras
- Summary
- 2. Module 2
- 1. Thinking in Machine Learning
- The human interface
- Design principles
- Types of questions
- Are you asking the right question?
- Tasks
- Classification
- Regression
- Clustering
- Dimensionality reduction
- Errors
- Optimization
- Linear programming
- Models
- Geometric models
- Probabilistic models
- Logical models
- Features
- Unified modeling language
- Class diagrams
- Object diagrams
- Activity diagrams
- State diagrams
- 1. Thinking in Machine Learning
- Summary
- 2. Tools and Techniques
- Python for machine learning
- IPython console
- Installing the SciPy stack
- NumPY
- Constructing and transforming arrays
- Mathematical operations
- Matplotlib
- Pandas
- SciPy
- Scikit-learn
- Summary
- 3. Turning Data into Information
- What is data?
- Big data
- Challenges of big data
- Data volume
- Data velocity
- Data variety
- Challenges of big data
- Data models
- Data distributions
- Data from databases
- Data from the Web
- Data from natural language
- Data from images
- Data from application programming interfaces
- Signals
- Data from sound
- Cleaning data
- Visualizing data
- Summary
- 4. Models Learning from Information
- Logical models
- Generality ordering
- Version space
- Coverage space
- PAC learning and computational complexity
- Logical models
- Tree models
- Purity
- Rule models
- The ordered list approach
- Set-based rule models
- Summary
- 5. Linear Models
- Introducing least squares
- Gradient descent
- The normal equation
- Introducing least squares
- Logistic regression
- The Cost function for logistic regression
- Multiclass classification
- Regularization
- Summary
- 6. Neural Networks
- Getting started with neural networks
- Logistic units
- Cost function
- Minimizing the cost function
- Implementing a neural network
- Gradient checking
- Other neural net architectures
- Summary
- 7. Features How Algorithms See the World
- Feature types
- Quantitative features
- Ordinal features
- Categorical features
- Feature types
- Operations and statistics
- Structured features
- Transforming features
- Discretization
- Normalization
- Calibration
- Principle component analysis
- Summary
- 8. Learning with Ensembles
- Ensemble types
- Bagging
- Random forests
- Extra trees
- Boosting
- Adaboost
- Gradient boosting
- Ensemble strategies
- Other methods
- Summary
- 9. Design Strategies and Case Studies
- Evaluating model performance
- Model selection
- Gridsearch
- Learning curves
- Real-world case studies
- Building a recommender system
- Content-based filtering
- Collaborative filtering
- Reviewing the case study
- Building a recommender system
- Insect detection in greenhouses
- Reviewing the case study
- Machine learning at a glance
- Summary
- 3. Module 3
- 1. Unsupervised Machine Learning
- Principal component analysis
- PCA a primer
- Employing PCA
- Principal component analysis
- Introducing k-means clustering
- Clustering a primer
- Kick-starting clustering analysis
- Tuning your clustering configurations
- 1. Unsupervised Machine Learning
- Self-organizing maps
- SOM a primer
- Employing SOM
- Further reading
- Summary
- 2. Deep Belief Networks
- Neural networks a primer
- The composition of a neural network
- Network topologies
- Neural networks a primer
- Restricted Boltzmann Machine
- Introducing the RBM
- Topology
- Training
- Introducing the RBM
- Applications of the RBM
- Further applications of the RBM
- Deep belief networks
- Training a DBN
- Applying the DBN
- Validating the DBN
- Further reading
- Summary
- 3. Stacked Denoising Autoencoders
- Autoencoders
- Introducing the autoencoder
- Topology
- Training
- Introducing the autoencoder
- Denoising autoencoders
- Applying a dA
- Autoencoders
- Stacked Denoising Autoencoders
- Applying the SdA
- Assessing SdA performance
- Further reading
- Summary
- 4. Convolutional Neural Networks
- Introducing the CNN
- Understanding the convnet topology
- Understanding convolution layers
- Understanding pooling layers
- Training a convnet
- Putting it all together
- Understanding the convnet topology
- Applying a CNN
- Introducing the CNN
- Further Reading
- Summary
- 5. Semi-Supervised Learning
- Introduction
- Understanding semi-supervised learning
- Semi-supervised algorithms in action
- Self-training
- Implementing self-training
- Finessing your self-training implementation
- Improving the selection process
- Self-training
- Contrastive Pessimistic Likelihood Estimation
- Further reading
- Summary
- 6. Text Feature Engineering
- Introduction
- Text feature engineering
- Cleaning text data
- Text cleaning with BeautifulSoup
- Managing punctuation and tokenizing
- Tagging and categorising words
- Tagging with NLTK
- Sequential tagging
- Backoff tagging
- Cleaning text data
- Creating features from text data
- Stemming
- Bagging and random forests
- Testing our prepared data
- Further reading
- Summary
- 7. Feature Engineering Part II
- Introduction
- Creating a feature set
- Engineering features for ML applications
- Using rescaling techniques to improve the learnability of features
- Creating effective derived variables
- Reinterpreting non-numeric features
- Engineering features for ML applications
- Using feature selection techniques
- Performing feature selection
- Correlation
- LASSO
- Recursive Feature Elimination
- Genetic models
- Performing feature selection
- Feature engineering in practice
- Acquiring data via RESTful APIs
- Testing the performance of our model
- Twitter
- Translink Twitter
- Consumer comments
- The Bing Traffic API
- Deriving and selecting variables using feature engineering techniques
- The weather API
- Acquiring data via RESTful APIs
- Further reading
- Summary
- 8. Ensemble Methods
- Introducing ensembles
- Understanding averaging ensembles
- Using bagging algorithms
- Using random forests
- Understanding averaging ensembles
- Applying boosting methods
- Using XGBoost
- Introducing ensembles
- Using stacking ensembles
- Applying ensembles in practice
- Using models in dynamic applications
- Understanding model robustness
- Identifying modeling risk factors
- Understanding model robustness
- Strategies to managing model robustness
- Further reading
- Summary
- 9. Additional Python Machine Learning Tools
- Alternative development tools
- Introduction to Lasagne
- Getting to know Lasagne
- Introduction to Lasagne
- Introduction to TensorFlow
- Getting to know TensorFlow
- Using TensorFlow to iteratively improve our models
- Alternative development tools
- Knowing when to use these libraries
- Further reading
- Summary
- 10. Chapter Code Requirements
- A. Biblography
- Index
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
![Loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
![ajax-loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
Oceny i opinie klientów: Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning David Julian, Sebastian Raschka, John Hearty (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.