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 3. Модели линейной регрессии
Предыдущая страница
Следующая страница
Table of contents
Предисловие
Часть 1. Процесс машинного обучения
+
Часть 2. Метрики и модели общие
+
Часть практических навыков к 1-2
+
Часть 3. Модели линейной регрессии
-
Линейная регрессия и L1_L2-регуляризация
Изотоническая регрессия
BIC и AIC
Полиномиальная регрессия
Линеаризация 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*