автордың кітабынан сөз тіркестері  Машинное обучение для бизнеса и маркетинга

Илья Кацов

Более подробно об активном обучении и связанных с ним методах можно узнать в докладе Дасгупты и Лэнгфорда на ICML в 2009 году8.

Цель машинного обучения — обнаружение закономерностей и взаимо­связей в данных и практическое применение полученной информации.

убираем нерепрезентативные или имеющие систематическую ошибку обу­чающие данные.

• Этапы предварительной обработки обучающей выборки:

• перекодируем категориальные признаки;

• разбираемся с отсутствующими данными;

• выполняем нормализацию признаков (для некоторых ML-алгоритмов);

• выполняем проектирование признаков.

• Четыре полезные техники визуализации данных — мозаичные диаграммы, графики плотности, диаграммы размаха и диаграммы рассеяния:

убираем нерепрезентативные или имеющие систематическую ошибку обу­чающие данные.

• Этапы предварительной обработки обучающей выборки:

• перекодируем категориальные признаки;

• разбираемся с отсутствующими данными;

• выполняем нормализацию признаков (для некоторых ML-алгоритмов);

• выполняем проектирование признаков.

• Четыре полезные техники визуализации данных — мозаичные диаграммы, графики плотности, диаграммы размаха и диаграммы рассеяния:

Этапы компиляции обучающей выборки:

• решаем, какие входные признаки включить в работу;

• находим способ получения непосредственных значений целевой переменной;

• определяем, какое количество обучающих данных является достаточным;

Пользователям Python рекомендуем книгу Igor Milovanović, Dimitry Foures, and Giuseppe Vettigli, «Python Data Visualization Cookbook» (Packt Publishing, 2015), которая содержит основные сведения, позволяющие приступить к работе с библиотекой Matplotlib.

Четыре техники визуализации, систематизированные по типам входных признаков и переменной отклика, которые нужно представить в графическом виде

Некоторые ML-алгоритмы требуют, чтобы данные были нормализованными. Это означает, что каждый признак обрабатывается с целью его подгонки под единую числовую шкалу.

Полная диаграмма решений для обработки отсутствующих значений при подготовке данных к ML-моделированию

Полная диаграмма решений для обработки отсутствующих значений при подготовке данных к ML-моделированию