машинное обучение в Python. Рецепты

Крис Альбон

Машинное обучение используется сегодня в различных сферах жизни: в бизнесе, в политике, в непрафесных организациях и, конечно же, в науке. Алгоритмы машины самостоятельно -это уникальный метод преобразования данных в знания. Многие книги были созданы, чтобы объяснить, как эти алгоритмы работают, а иногда и приводятся впечатляющие примеры их использования. Также доступны инструменты для этого типа приложения, такие как библиотеки Python, Pandas и Scikit-Learn. Реализация ежедневных проблем, связанных с машинным обучением, остается проблемой. Эти люди будут относиться к ней как к руководству, чтобы помочь решить конкретные проблемы, возникающие во время повседневной работы с машинным обучением. Благодаря рецептам, содержащимся здесь, такие задачи, как загрузка данных, поддержка текста и численные данные, выбор модели или сокращение размерности станет намного проще для выполнения. Каждый рецепт содержит код, который может быть вставлен в вашу программу, комбинированный или адаптирован по мере необходимости. Анализ, объясняющие отдельные решения и их контекст, также были представлены. С помощью этой книги вы плавно перейдете от теоретических соображений к разработке операционных приложений и практического использования машинного обучения. Использование разделения и выбора функций

Оценка и выбор модели, а также линейную и логистическую регрессию

Нагрузочные векторы (SVM), наивная байесовская классификация, кластеризация и нейронные сети

, чтобы сохранить и обученные нагрузки

Python - Используйте проверенные рецепты кода! Более десяти лет он использует статистику, искусственный интеллект и другие достижения в области компьютерных наук в области политики, социологии и управления гуманитарными действиями. В настоящее время он работает на преданное здоровье - он использует науку о данных и машинном обучении, чтобы решить проблемы американской системы здравоохранения. Ранее он был основным аналитиком данных в стартапе кенийского BRCK. Вектор, матрица и таблица 15

• 1.0. Введение 15
• 1.1. Создание вектора 15
• 1.2. Создание матрицы 16
• 1.3. Создание редкой матрицы 17
• 1.4. Загрузка элементов 18
• 1.5. Описание матрицы 20
• 1.6. Проведение операций по элементам 20
• 1,7. Поиск максимального и минимального значения 21
• 1,8. Расчет средней, дисперсии и стандартного отклонения 22
• 1,9. Изменение формы таблицы 23
• 1.10. Перевод вектора или матрицы 24
• 1.11. Сплютирование матрицы 25
• 1.12. Поиск порядка матрицы 25
• 1.13. Расчет определяющей среды матрицы 26
• 1.14. Загрузка диагонали матрицы 27
• 1.15. Расчет следа матрицы 27
• 1.16. Поиск векторов и собственных значений 28
• 1.17. Расчет скалярного продукта 29
• 1,18. Добавление и вычитание 30
• 1,19 матрицы. Умножение матрицы 31
• 1.20. Реверсирование матрицы 32
• 1.21. Создание случайных чисел 33

2. Загрузка данных 35

• 2,0. Введение 35
• 2.1. Загрузка примера набора данных 35
• 2,2. Создание моделируемого набора данных 36
• 2,3. Загрузка CSV 39
• 2,4. Загрузка Excel 40
<