Машинное обучение. Портфолио реальных проектов
Изучите ключевые концепции машинного обучения‚ работая над реальными проектами! Машинное обучение — то, что поможет вам в анализе поведения клиентов, прогнозировании тенденций движения цен, оценке рисков и многом другом. Чтобы освоить машинное обучение, вам нужны отличные примеры, четкие объяснения и много практики. В книге все это есть!
Автор описывает реалистичные, практичные сценарии машинного обучения, а также предельно понятно раскрывает ключевые концепции. Вы разберете интересные проекты, такие как сервис прогнозирования цен на автомобили с использованием линейной регрессии и сервис прогнозирования оттока клиентов. Вы выйдете за рамки алгоритмов и изучите важные техники, например развертывание приложений в бессерверных системах и запуск моделей с помощью Kubernetes и Kubeflow. Пришло время закатать рукава и прокачать свои навыки в области машинного обучения!
Автор описывает реалистичные, практичные сценарии машинного обучения, а также предельно понятно раскрывает ключевые концепции. Вы разберете интересные проекты, такие как сервис прогнозирования цен на автомобили с использованием линейной регрессии и сервис прогнозирования оттока клиентов. Вы выйдете за рамки алгоритмов и изучите важные техники, например развертывание приложений в бессерверных системах и запуск моделей с помощью Kubernetes и Kubeflow. Пришло время закатать рукава и прокачать свои навыки в области машинного обучения!
Пікірлер1
👍Ұсынамын
🚀Көз ала алмайсың
Большая книга о машинном обучении — это доступное и увлекательное описание сложных и важных задач, связанных с этой областью.
Дәйексөздер144
Сообщество энтузиастов обработки данных: https://datatalks.club
Чтобы избежать случайного использования целевой переменной в дальнейшем, удалим ее из датафреймов:
Каждый этап охватывает типичные задачи:
• на этапе бизнес-анализа мы пытаемся выразить задачу, понять, как мы можем ее решить, и определить, поможет ли нам в этом машинное обучение;
• на этапе анализа данных мы анализируем доступные наборы данных и решаем, нужно ли нам собирать больше данных;
• на этапе подготовки данных мы преобразуем данные в табличную форму, которую можно использовать в качестве входных данных для модели машинного обучения;
• когда данные подготовлены, мы переходим к этапу моделирования, на котором обучаем модель;
• после определения наилучшей модели наступает этап оценки, на котором мы оцениваем модель, чтобы понять, решает ли она исходную бизнес-задачу, и оцениваем ее успешность на этом поприще;
• наконец на этапе развертывания мы развертываем модель в производственной среде
• на этапе бизнес-анализа мы пытаемся выразить задачу, понять, как мы можем ее решить, и определить, поможет ли нам в этом машинное обучение;
• на этапе анализа данных мы анализируем доступные наборы данных и решаем, нужно ли нам собирать больше данных;
• на этапе подготовки данных мы преобразуем данные в табличную форму, которую можно использовать в качестве входных данных для модели машинного обучения;
• когда данные подготовлены, мы переходим к этапу моделирования, на котором обучаем модель;
• после определения наилучшей модели наступает этап оценки, на котором мы оцениваем модель, чтобы понять, решает ли она исходную бизнес-задачу, и оцениваем ее успешность на этом поприще;
• наконец на этапе развертывания мы развертываем модель в производственной среде
