[Кайл Галлатин, Крис Элбон] [БХВ] Машинное обучение с использованием Python. Сборник рецептов. Практические решения от предобработки до глубокого обучения 2 изд. (2026) Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие. Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn. Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение. Приведены рецепты решений с использованием: векторов, матриц и массивов; данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников; обработки данных, текста, изображений, дат и времени; умень-шения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей. Во втором издании все примеры обновлены, рассмотрены задачи и фреймворки глубокого обучения, расширены разделы с тензорами, нейронными сетями и библиотекой глубокого обучения PyTorch. Для разработчиков систем машинного обучения В книге Вы найдете рецепты для:
векторов, матриц и массивов;
работы с данными из CSV, JSON, SQL, базами данных, облачными хранилищами и другими источниками;
обработки числовых и категориальных данных, текста, изображений, дат и времени;
уменьшения размерности с использованием методов выделения или отбора признаков;
оценивания и отбора моделей;
сохранения и загрузки натренированных моделей.
Научитесь решать задачи с использованием:
линейной и логистической регрессии, деревьев, лесов и k ближайших соседей;
опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей.
Формат: PDF. [Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования. Практическое введение в искусственный интеллект на основе проектов (2026) В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras. При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны. Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости. В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач. Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей, обучение пользовательских ML-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов. Вы узнаете:
Как различать структурированные и неструктурированные данные и разбираться с проблемами, которые могут встретиться
Как визуализировать и анализировать данные
Как предварительно обрабатывать данные для ввода в модель машинного обучения
Чем отличаются регрессионная и классификационная модели обучения с учителем
Как сравнивать различные типы моделей ML и их архитектуры, начиная с моделей без кода и с малым объемом кода и заканчивая моделями пользовательского обучения
Как проектировать, внедрять и настраивать модели ML
Как экспортировать данные в репозиторий GitHub для хранения и управления ими
Курс Кайл Галлатин, Крис Элбон, БХВ - Машинное обучение с использованием Python + Майкл Абель - Машинное обучение с малым объемом кодирования (2026)
Текущее время: Сегодня 04:31
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы