Apprendimento automatico pratico per dati in streaming con Python: Progettare, sviluppare e convalidare modelli di apprendimento online

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 3 voti.

Titolo originale:

Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models

Contenuto del libro:

Capitolo 1: Introduzione ai dati in streamingObiettivo del capitolo: introdurre i lettori al concetto di dati in streaming, alle varie sfide ad esso associate, ad alcune delle sue applicazioni aziendali reali, alle varie tecniche di windowing e ai concetti di algoritmi di apprendimento incrementale e online. Questo capitolo aiuterà anche a comprendere il concetto di valutazione dei modelli nel caso di dati in streaming e fornirà un'introduzione al framework Scikit-Multiflow in Python. N. di pagine- 35Sub -Topics1. Dati in streaming2. Sfide dello streaming di dati3. Deriva dei concetti4. Applicazioni dello streaming di dati5. Tecniche di windowing6. Apprendimento incrementale e apprendimento online7. Illustrazione: Adozione di apprenditori batch in apprenditori incrementali8. Introduzione al framework Scikit-Multiflow9. Valutazione degli algoritmi di streaming.

Capitolo 2: Rilevamento dei cambiamentiObiettivo del capitolo: aiutare i lettori a comprendere i vari algoritmi di rilevamento dei cambiamenti/della deriva dei concetti e la loro implementazione su vari set di dati utilizzando Scikit-Multiflow. N. di pagine: 35Sub - Argomenti: 1. Problema del rilevamento dei cambiamenti2. Algoritmi di rilevamento della deriva concettuale3. ADWIN4. DDM5. EDDM6. Pagina Hinkley.

Capitolo 3: Apprendimento supervisionato e non supervisionato per i dati in streamingObiettivo del capitolo: aiutare i lettori a comprendere i vari algoritmi di regressione e classificazione (compreso l'Ensemble Learning) per i dati in streaming e la loro implementazione su vari set di dati utilizzando Scikit-Multiflow. Inoltre, discute alcuni approcci per il clustering con dati in streaming e la sua implementazione utilizzando Python. N. di pagine: 35Sub - Argomenti: 1. Regressione con dati in streaming2. Classificazione con dati in streaming3. Apprendimento in ensemble con dati in streaming4. Clustering con dati in streaming.

Capitolo 4: Altri strumenti e il percorso da seguireObiettivo del capitolo: introdurre i lettori agli altri strumenti open source per la gestione dei dati in streaming, come Spark streaming, MOA e altri ancora. Inoltre, informare il lettore su ulteriori letture per argomenti avanzati nell'ambito dell'analisi dei dati in streaming. N. di pagine: 35Sub - Argomenti: 1. Altri strumenti per la gestione dei dati in streaming1. 1. 1. Apache Spark1. 1. 2. Massive Online Analysis (MOA)1. 1. 3. Apache Kafka2. Aree di ricerca attive e progressi nell'analisi dei dati in streaming3. Conclusioni.