Soluciones de ciencia de datos con Python: Modelos rápidos y escalables con Keras, PySpark MLlib, H2O, XGBoost y Scikit-Learn

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Data Science Solutions with Python: Fast and Scalable Models Using Keras, PySpark MLlib, H2O, XGBoost, and Scikit-Learn

Contenido del libro:

Aplique el aprendizaje supervisado y no supervisado para resolver problemas prácticos y reales de big data. Este libro le enseña a diseñar características, optimizar hiperparámetros, entrenar y probar modelos, desarrollar pipelines y automatizar el proceso de aprendizaje automático (ML).

El libro cubre un marco de computación en clúster distribuido en memoria conocido como PySpark, plataformas de marco de aprendizaje automático conocidas como scikit-learn, PySpark MLlib, H2O y XGBoost, y un marco de aprendizaje profundo (DL) conocido como Keras.

El libro comienza presentando modelos de ML y DL supervisados y no supervisados, y luego examina los marcos de big data junto con los marcos de ML y DL. El autor, Tshepo Chris Nokeri, considera un modelo paramétrico conocido como modelo lineal generalizado y un modelo de regresión de supervivencia conocido como modelo de riesgos proporcionales de Cox junto con el tiempo de fallo acelerado (AFT). También se presenta un modelo de clasificación binaria (regresión logística) y un modelo de conjunto (Gradient Boosted Trees). El libro introduce el DL y una red neuronal artificial conocida como clasificador Perceptrón Multicapa (MLP). Se describe una forma de realizar análisis de conglomerados mediante el modelo K-Means. Se exploran técnicas de reducción dimensional como el análisis de componentes principales y el análisis discriminante lineal. Y se desgrana el aprendizaje automático de máquinas.

Este libro está dirigido a científicos de datos e ingenieros de aprendizaje automático de nivel intermedio que deseen aprender a aplicar marcos clave de big data y marcos de ML y DL. Necesitará conocimientos previos de fundamentos de estadística, programación en Python, teorías de la probabilidad y análisis predictivo.

Lo que aprenderá

⬤ Comprender el aprendizaje supervisado y no supervisado generalizado, incluidas las técnicas clave de reducción de dimensiones.

⬤ Conocer las capas de análisis de big data como visualización de datos, estadística avanzada, análisis predictivo, aprendizaje automático y aprendizaje profundo.

⬤ Integrar marcos de big data con un híbrido de marcos de aprendizaje automático y marcos de aprendizaje profundo.

⬤ Diseñar, construir, probar y validar modelos de máquinas capacitadas y modelos de aprendizaje profundo.

⬤ Optimizar el rendimiento del modelo utilizando transformación de datos, regularización, remediación de valores atípicos, optimización de hiperparámetros y alteración de la proporción de división de datos.

Para quién es este libro

Científicos de datos e ingenieros de aprendizaje automático con conocimientos básicos y comprensión de programación Python, teorías de probabilidad y análisis predictivo.