Metodi ensemble per l'apprendimento automatico

Recensioni dei lettori

Il libro fornisce una guida completa e pratica sui metodi di ensemble nell'apprendimento automatico, coprendo sia la comprensione teorica che l'implementazione pratica in Python. È particolarmente utile per coloro che cercano di migliorare i propri modelli di apprendimento automatico sfruttando i punti di forza dei vari algoritmi.

Il libro è pratico, accessibile e interattivo. Offre una copertura pratica dei metodi di ensemble adatti ai sistemi di produzione ed enfatizza argomenti importanti come la spiegabilità e la gestione delle caratteristiche categoriali.

Le recensioni non specificano alcun inconveniente o svantaggio significativo relativo al libro.

(basato su 2 recensioni dei lettori)

Titolo originale:

Ensemble Methods for Machine Learning

Contenuto del libro:

L'apprendimento automatico Ensemble combina la potenza di più approcci di apprendimento automatico, lavorando insieme per fornire modelli altamente performanti e precisi.

All'interno di Ensemble Methods for Machine Learning troverete:

⬤ Metodi per la classificazione, la regressione e le raccomandazioni.

⬤ Implementazioni di ensemble sofisticate e non disponibili sul mercato.

⬤ Foreste casuali, boosting e gradient boosting.

⬤ Ingegneria delle caratteristiche e diversità degli ensemble.

⬤ Interpretabilità e spiegabilità dei metodi di ensemble.

L'apprendimento automatico in ensemble addestra un gruppo eterogeneo di modelli di apprendimento automatico a lavorare insieme, aggregando i loro risultati per ottenere risultati più ricchi rispetto a un singolo modello. In Ensemble Methods for Machine Learning scoprirete i principali metodi di ensemble che hanno dato buoni risultati sia nelle competizioni di scienza dei dati che nelle applicazioni reali. Casi di studio pratici mostrano come ogni algoritmo funziona in produzione. Quando avrete finito, conoscerete i vantaggi, i limiti e i metodi pratici di applicazione dell'apprendimento automatico in ensemble ai dati del mondo reale e sarete pronti a costruire sistemi di ML più spiegabili.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia

Confrontate, contrastate e miscelate automaticamente i risultati di più modelli per ottenere i migliori risultati dai vostri dati. L'apprendimento automatico ensemble applica un metodo di "saggezza delle folle" che evita le imprecisioni e i limiti di un singolo modello. Basando le risposte su più prospettive, questo approccio innovativo è in grado di fornire previsioni robuste anche in assenza di enormi serie di dati.

Informazioni sul libro

Ensemble Methods for Machine Learning insegna tecniche pratiche per l'applicazione simultanea di più approcci di ML. Ogni capitolo contiene un caso di studio unico che dimostra un metodo ensemble perfettamente funzionante, con esempi che includono la diagnosi medica, l'analisi del sentimento, la classificazione della scrittura e altro ancora. Non c'è matematica o teoria complessa: si impara in modo visuale, con un ampio codice per una facile sperimentazione!

Cosa contiene

⬤ Bagging, boosting e gradient boosting.

⬤ Metodi di classificazione, regressione e recupero.

⬤ Interpretabilità e spiegabilità dei metodi di ensemble.

⬤ Ingegneria delle caratteristiche e diversità degli ensemble.

Informazioni sul lettore

Per programmatori Python con esperienza di apprendimento automatico.

Informazioni sull'autore

Gautam Kunapuli ha oltre 15 anni di esperienza nel mondo accademico e nell'industria dell'apprendimento automatico.

Indice dei contenuti

PARTE 1 - LE BASI DEGLI ENSEMBLE

1 Metodi d'insieme: clamore o alleluia?

PARTE 2 - I METODI D'INSIEME ESSENZIALI

2 Ensemble paralleli omogenei: Bagging e foreste casuali.

3 Ensemble paralleli eterogenei: Combinazione di apprendisti forti.

4 Ensemble sequenziali: Boosting adattivo.

5 Ensemble sequenziali: Gradient boosting.

6 Ensemble sequenziali: Newton boosting.

PARTE 3 - ENSEMBLE IN LIBERTÀ: ADATTARE I METODI DI ENSEMBLE AI VOSTRI DATI.

7 Apprendimento con etichette continue e di conteggio.

8 Apprendimento con caratteristiche categoriali.

9 Spiegare gli ensemble.