Машинное обучение на табличных данных, XGBoost, глубокое обучение и ИИ, Райан М., Массарон Л., 2026

Машинное обучение на табличных данных, XGBoost, глубокое обучение и ИИ, Райан М., Массарон Л., 2026.
 
   Машинное обучение может ускорить выполнение повседневных бизнес-задач, таких как сверка счетов, прогнозирование спроса или автоматизация обслуживания клиентов, не говоря уже о более сложных задачах, например выявление мошенничества, прогнозное техническое обслуживание и персонализированный маркетинг. Извлекайте важную информацию из электронных таблиц, реестров, баз данных и других источников, используя градиентный бустинг, глубокое обучение и генеративный ИИ.
«Машинное обучение на табличных данных» описывает практические методы машинного обучения для модернизации каждого этапа анализа бизнес-данных. Вас ждут примеры использования XGBoost и Keras для прогнозирования цен на краткосрочную аренду недвижимости, развертывание локальной модели машинного обучения с помощью Python и Flask и оптимизация рабочих процессов с использованием больших языковых моделей (LLM). Научитесь делать свои модели более мощными и интерпретируемыми.




Сравнение машинного и глубокого обучения.
И глубокое, и классическое машинное обучение решают задачу сопоставления входных данных и предсказания (прогноза). Однако они используют разные подходы: методы глубокого обучения разработаны для имитации поведения биологического мозга, тогда как машинное обучение обычно основано на статистических оптимизациях или установлении сходства. Однако, кроме того, эти два подхода различаются способом работы с данными.

В классическом машинном обучении преобразование и генерация признаков (feature engineering) играют важнейшую роль, поскольку, независимо от выбранной модели, необходимо выполнить соответствующие преобразования входных данных на основе их характеристик и предметной области, к которой они относятся. (Это бизнес-данные? Отражают ли они какие-либо социальные, экономические или физические явления?) Вот некоторые причины, почему генерация признаков так важна в классическом машинном обучении.

ОГЛАВЛЕНИЕ.
Часть 1 Понятие о машинном обучении для табличных данных.
Глава 1. Табличные данные.
Глава 2. Табличные датасеты.
Глава 3. Машинное и глубокое обучение.
Часть 2 Машинное обучение и градиентный бустинг для табличных данных.
Глава 4. Классические алгоритмы для табличных данных.
Глава 5. Деревья решений и градиентный бустинг.
Глава 6. Продвинутые методы обработки признаков.
Глава 7. Полный пример применения XGBoost.
Часть 3 Глубокое обучение для анализа табличных данных.
Глава 8. С чего начать?.
Глава 9. Лучшие практики глубокого обучения.
Глава 10. Развертывание модели.
Глава 11. Пайплайн машинного обучения.
Глава 12. Комбинация градиентного бустинга и глубокого обучения.
Приложение А. Гиперпараметры для классических моделей машинного обучения.
Приложение Б. Методы k ближайших соседей и опорных векторов.


Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Купить .








Теги: учебник по программированию :: программирование :: Райан :: Массарон