![Слив платных курсов - скачать сливы курсов через торрент бесплатно! [Kursoff.net]](/data/assets/logo/Colorlogo-nobackground1.png){kind=logo}
Последние темы автора:
- [Марта Коронкевич] Кто моя Целевая Аудитория
- [Никита Чесноков] Adobe After Effects Продвинутый уровень
- [Мила Колпакова] Вебинар "Совместная работа 3D визуализатора, чертежника и дизайнера"
- [Successful Stocker] Видеокурс: размножение на стероидах
- [Ройтман Алина] WOW-флорист: Искусство сложных каскадных букетов
[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов
![[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов](https://kursoff.net/attachments/1747903505133-png.76580/ "[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов")
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.
Описание:
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
