[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования (2025)
![[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования (2025)](/styles/image/image_topic/topic_68510bb607c00.png)
[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов (2025)
Слив курса Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов [Майкл Абель, Гвендолин Стриплинг]
В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras. При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны. Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости. В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач. Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей, обучение пользовательских ML-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов.
Вы узнаете:
Как различать структурированные и неструктурированные данные и разбираться с проблемами, которые могут встретиться
Как визуализировать и анализировать данные
Как предварительно обрабатывать данные для ввода в модель машинного обучения
Чем отличаются регрессионная и классификационная модели обучения с учителем
Как сравнивать различные типы моделей ML и их архитектуры, начиная с моделей без кода и с малым объемом кода и заканчивая моделями пользовательского обучения
Как проектировать, внедрять и настраивать модели ML
Как экспортировать данные в репозиторий GitHub для хранения и управления ими
Формат: PDF.
Слив курса Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов [Майкл Абель, Гвендолин Стриплинг]
В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras. При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны. Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости. В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач. Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей, обучение пользовательских ML-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов.
Вы узнаете:
Как различать структурированные и неструктурированные данные и разбираться с проблемами, которые могут встретиться
Как визуализировать и анализировать данные
Как предварительно обрабатывать данные для ввода в модель машинного обучения
Чем отличаются регрессионная и классификационная модели обучения с учителем
Как сравнивать различные типы моделей ML и их архитектуры, начиная с моделей без кода и с малым объемом кода и заканчивая моделями пользовательского обучения
Как проектировать, внедрять и настраивать модели ML
Как экспортировать данные в репозиторий GitHub для хранения и управления ими
Формат: PDF.
Комментарии 0