Поиск
Закладки
Озвучить текст Озвучить книгу
Изменить режим чтения
Изменить размер шрифта
Оглавление
Для озвучивания и цитирования книги перейдите в режим постраничного просмотра.
Машинное обучение в Elastic Stack

Часть III. АНАЛИЗ ФРЕЙМОВ ДАННЫХ

Если Вы наш подписчик,то для того чтобы скопировать текст этой страницы в свой конспект,
используйте просмотр в виде pdf. Вам доступно 23 стр. из этой главы.
Для продолжения работы требуется Registration
На предыдущую страницу

Предыдущая страница

Следующая страница

На следующую страницу
Часть III. АНАЛИЗ ФРЕЙМОВ ДАННЫХ
На предыдущую главу Предыдущая глава
оглавление
Следующая глава На следующую главу

Table of contents

Часть III. АНАЛИЗ ФРЕЙМОВ ДАННЫХ-
Глава 9. Введение в анализ фреймов данных
Технические требования
Основы преобразования данных
Чем полезны преобразования?
Анатомия преобразований
Использование преобразований для анализа заказов интернет-магазина
Более сложные конфигурации сводной таблицы и агрегирования
Различие между пакетными и непрерывными преобразованиями
Анализ данных социальных сетей с помощью непрерывных преобразований
Использование Painless для расширенных конфигураций преобразования
Знакомство с Painless
Совместное использование Python и Elasticsearch
Краткий обзор клиентов Python Elasticsearch
Заключение
Дополнительная литература
Переменные, операторы и управление выполнением
Функции
Зачем нам нужен Eland?
Знакомство с Eland
Глава 10. Обнаружение выбросов
Технические требования
Принцип работы механизма обнаружения выбросов
Обзор четырех методов обнаружения выбросов
Оценка влияния характеристики
Чем обнаружение выбросов отличается от обнаружения аномалий?
Применение обнаружения выбросов на практике
Оценка качества обнаружения выбросов с помощью API Evaluate
Настройка гиперпараметров для обнаружения выбросов
Заключение
Методы, основанные на расстоянии
Методы, основанные на плотности
Как рассчитывается оценка влияния характеристик для каждой точки?
Сравнение вероятностных моделей и экземпляров
Подсчет оценок
Характеристики данных
Потоковая и пакетная обработка
Глава 11. Классификационный анализ
Технические требования
Классификация: от данных к обученной модели
Классифицирующие модели учатся на данных
Конструирование признаков
Оценка модели
Простой пример классификации
Деревья решений с градиентным усилением
Введение в деревья решений
Градиентное усиление
Гиперпараметры
Интерпретация результатов
Вероятность класса
Оценка класса
Важность признака
Заключение
Дополнительная литература
Глава 12. Регрессия
Технические требования
Использование регрессионного анализа для прогнозирования цен на жилье
Использование деревьев решений в регрессионном анализе
Заключение
Дополнительная литература
Глава 13. Логический вывод моделей
Технические требования
Поиск, импорт и экспорт обученных моделей с помощью API
Обзор API обученных моделей
Экспорт и импорт обученных моделей с помощью API и Python
Обработчики логического вывода и конвейеры данных
Обработка отсутствующих или поврежденных данных в конвейерах
Получение развернутой информации о прогнозах
Импорт внешних моделей с помощью eland
Кратко о поддержке внешних моделей в eland
Обучение DecisionTreeClassifier и импорт в Elasticsearch с помощью eland
Заключение
Данный блок поддерживает скрол*