Description

Книга «Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow» представляет собой практическое руководство по применению двух популярных библиотек машинного обучения — Scikit-Learn и TensorFlow. Авторы книги демонстрируют, как использовать эти инструменты для решения различных задач машинного обучения, включая классификацию, регрессию, кластеризацию и обработку естественного языка. В своей книге автор представляет основные концепции и термины машинного обучения, а также объясняют различные подходы к обучению моделей. Они также предоставляют обзор Scikit-Learn и TensorFlow и показывает, как установить и настроить эти библиотеки.

Из материалов книги вы узнаете про процесс подготовки данных для обучения моделей машинного обучения, про то, как загрузить данные из различных источников, таких как CSV-файлы, базы данных и API. Также рассматриваются методы предварительной обработки данных, включая масштабирование, кодирование категориальных признаков и обработка пропущенных значений.
Автор показывают, как использовать Scikit-Learn и TensorFlow для решения задач классификации. Они объясняют различные алгоритмы классификации, такие как логистическая регрессия, метод опорных векторов и случайный лес. Они также демонстрируют, как оценить производительность моделей с помощью метрик, таких как точность, полнота и F-мера. Все секреты регрессий, кластеризаций и обработки естественного языка ждут вас в этой книге. Как оценить качество кластеризации с помощью метрик, таких как индекс силуэта и коэффициент Rand, как использовать нейронные сети для решения задач классификации текстов.

Книга «Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow» предоставляет читателям практические навыки и знания для применения машинного обучения в реальных проектах. Авторы подробно объясняют основные концепции и методы машинного обучения, а также демонстрируют, как использовать Scikit-Learn и TensorFlow для решения различных задач. Эта книга является ценным ресурсом для всех, кто интересуется применением машинного обучения в своей работе или исследованиях.