Soluzioni per la scienza dei dati con Python: Modelli veloci e scalabili con Keras, PySpark MLlib, H2O, XGBoost e Scikit-Learn

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn

Contenuto del libro:

Applicare l'apprendimento supervisionato e non supervisionato per risolvere problemi pratici e reali di big data. Questo libro insegna come progettare caratteristiche, ottimizzare iperparametri, addestrare e testare modelli, sviluppare pipeline e automatizzare il processo di apprendimento automatico (ML).

Il libro tratta un framework di cluster computing distribuito e in-memory noto come PySpark, piattaforme di framework di apprendimento automatico note come scikit-learn, PySpark MLlib, H2O e XGBoost e un framework di deep learning (DL) noto come Keras.

Il libro inizia presentando i modelli ML e DL supervisionati e non supervisionati, quindi esamina i framework per i big data insieme ai framework ML e DL. L'autore Tshepo Chris Nokeri prende in considerazione un modello parametrico noto come Modello Lineare Generalizzato e un modello di regressione di sopravvivenza noto come modello di Cox Proportional Hazards insieme all'Accelerated Failure Time (AFT). Vengono inoltre presentati un modello di classificazione binaria (regressione logistica) e un modello d'insieme (Gradient Boosted Trees). Il libro introduce la DL e una rete neurale artificiale nota come classificatore Multilayer Perceptron (MLP). Viene illustrato un metodo per eseguire l'analisi dei cluster utilizzando il modello K-Means. Vengono esplorate tecniche di riduzione delle dimensioni come l'analisi delle componenti principali e l'analisi discriminante lineare. Infine, viene illustrato l'apprendimento automatico.

Questo libro si rivolge a data scientist e ingegneri dell'apprendimento automatico di livello intermedio che vogliono imparare ad applicare i principali framework per i big data e i framework di ML e DL. È necessaria una conoscenza preliminare delle basi della statistica, della programmazione Python, delle teorie della probabilità e dell'analisi predittiva.

Cosa imparerete

⬤ Comprendere l'apprendimento supervisionato e non supervisionato, comprese le principali tecniche di riduzione delle dimensioni.

⬤ Conoscere i livelli di analisi dei big data come la visualizzazione dei dati, le statistiche avanzate, l'analisi predittiva, l'apprendimento automatico e l'apprendimento profondo.

⬤ Integrare i framework di big data con un ibrido di framework di machine learning e deep learning.

⬤ Progettare, costruire, testare e convalidare modelli di macchine qualificate e modelli di deep learning.

⬤ Ottimizzare le prestazioni dei modelli utilizzando la trasformazione dei dati, la regolarizzazione, la correzione degli outlier, l'ottimizzazione degli iperparametri e la modifica del rapporto di divisione dei dati.

Per chi è questo libro?

Scienziati dei dati e ingegneri dell'apprendimento automatico con conoscenze di base e comprensione della programmazione Python, delle teorie della probabilità e dell'analisi predittiva.