Справка
x
Поиск
Закладки
Озвучить книгу
Изменить режим чтения
Изменить размер шрифта
Оглавление
Для озвучивания и цитирования книги перейдите в режим постраничного просмотра.
Алгоритмы Data Science и их практическая реализация на Python
Часть 1. Процесс машинного обучения
Поставить закладку
Задачи машинного обучения
Для продолжения работы требуется
Registration
Предыдущая страница
Следующая страница
Table of contents
Предисловие
Часть 1. Процесс машинного обучения
-
Задачи машинного обучения
Модель и процесс машинного обучения
Понятие ETL
Понятие EDA
Подготовка данных
Разбиение выборки
Оптимизация гиперпараметров
Недообучение и переобучение
Смещение, разброс и ошибка данных
Использование HDF
Часть 2. Метрики и модели общие
+
Часть практических навыков к 1-2
+
Часть 3. Модели линейной регрессии
+
Часть практических навыков к 3
+
Часть 4. Модели классификации и её метрики
+
Часть практических навыков к 4
+
Часть 5. Ансамблевые модели
+
Часть практических навыков к 5
+
Часть 6. Продвинутые ансамбли
+
Часть практических навыков к 6
+
Часть 7. Искусственные нейронные сети
+
Часть практических навыков к 7
+
Часть 8. Обучение нейросети
+
Часть практических навыков к 8
+
Часть 9. Архитектуры сверточных нейросетей
+
Часть практических навыков к 9
+
Библиографический список
Приложение 1. Варианты заданий для самостоятельной реализации алгоритмов машинного обучения
Приложение 2. Варианты заданий для исследовательских работ в области машинного обучения
Приложение 3. Варианты заданий, включающие в себя самостоятельный этап Data Mining, для построения End-To-End решений в области машинного обучения
Данный блок поддерживает скрол*