- Регистрация
- 24.06.19
- Сообщения
- 59,319
- Реакции
- 331,900
Последние темы автора:
- [Мария Довнар] Практикум по контентным воронкам в блоге. Тариф Лекция (2025)
- [Михаил Христосенко] 50 идей для продающих сторис, даже если вы живёте обычной жизнью (2025)
- [Михаил Христосенко] [Smm Академия] Как создать вирусный пост, которым хочется делиться (2025)
- [Елена Шинина, Екатерина Долгова] [Центр Практика] Остеопатические и мобилизационные техники для терапевтов движения: нижние конечности и таз (2025)
- [Константин Михайлов] Еретики. Лекция 2. Гностицизм: бунт против демиургов (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.