Python и машинное обучение

От регрессии и кластеризации до нейронных сетей — соберите свой первый портфель ML-проектов по этой книге!

От Python-кода к интеллектуальным системам. Практическое введение в машинное обучение.Вы уверенно пишете на Python и хотите научить компьютер учиться? Эта книга — идеальный проводник. Себастьян Рашка не углубляется в абстрактную теорию, а сразу показывает, как с помощью библиотек scikit-learn, Theano и Keras решать реальные задачи: от прогнозной аналитики и кластеризации до создания нейронных сетей. Вы научитесь не только строить модели, но и правильно оценивать их, предобрабатывать данные и даже встраивать готовые решения в веб-приложения. Это руководство для тех, кто ценит практику и хочет быстро получить востребованный навык.

Машинное обучение и прогнозная аналитика преобразуют традиционную схему функционирования предприятий и других организаций. Эта книга предоставит вам доступ в мир прогнозной аналитики и продемонстрирует, почему Python является одним из ведущих языков науки о данных. Если вы хотите глубже и точнее анализировать данные либо нуждаетесь в усовершенствовании и расширении систем машинного обучения, эта книга окажет вам неоценимую помощь. Ознакомившись с широким кругом мощных программных библиотек Python, в том числе scikit-learn, Theano и Keras, а также получив советы по всем вопросам начиная с анализа мнений и заканчивая нейронными сетями, вы сможете принять важные решения, во многом определяющие деятельность вашей организации.

Чему вы научитесь, прочитав эту книгу:

• исследовать, как используются разные машинно-обучаемые модели, которые формулируют те или иные вопросы в отношении данных;

• конструировать нейронные сети при помощи библиотек Theano и Keras;

• писать красивый и лаконичный программный код на Python с оптимальным использованием созданных вами алгоритмов;

• встраивать вашу машинно-обучаемую модель в веб-приложение для повышения ее общедоступности;

• предсказывать непрерывнозначные результаты при помощи регрессионного анализа;

• обнаруживать скрытые повторяющиеся образы и структуры в данных посредством кластерного анализа;

• организовывать данные с помощью эффективных методов предобработки и использовать передовые практические подходы к оценке машиннообучаемых моделей;

• осуществлять анализ мнений, позволяющий подробнее интерпретировать текстовые данные и информацию из социальных сетей.

Если вы хотите узнать, как использовать Python, чтобы начать отвечать на критические вопросы в отношении ваших данных, возьмите данную книгу - и неважно, хотите ли вы приступить к изучению науки о данных с нуля или же намереваетесь расширить о ней свои знания, это принципиальный ресурс, который нельзя упускать.

Крайне необходимое издание по новейшей предсказательной аналитике для более глубокого понимания методологии машинного обучения!