- Регистрация
- 24.06.19
- Сообщения
- 58,515
- Реакции
- 327,854
Последние темы автора:
- [Астрологический Центр] Юлия Вястра ― Знаки небес. Как писать прогнозы (2020)
- [Юлия Вястра] Астрология камней и талисманов (2018)
- [Андрей Негойе] [Udemy] Учебный лагерь по этическому взлому (2025)
- [Алексей Арестович] [Apeiron] Искусство аргументировать. Занятие 1 (2025)
- [Lectera] Развитие внимания: как фокусироваться на важном и перестать отвлекаться (2025)
- #1
Голосов: 0
[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования (2025)
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:
Подробнее:
[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования (2025) - Описание курса
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
Подробнее:
Для просмотра ссылок пройдите регистрацию
Скачать курс -[Майкл Абель, Гвендолин Стриплинг] Машинное обучение с малым объемом кодирования (2025)
Вы должны Войти на форум чтобы увидеть контент.