Основы машинного обучения для аналитического прогнозирования. Алгоритмы, рабочие примеры (Келлехер Джон Д., Мак-Нейми Брайан, д'Арси Аоифе) ; Диалектика, 2019
от 1432 р. до 3648 р.
Автор(ы): Келлехер Джон Д.; Мак-Нейми Брайан; д`Арси Аоифе;
Издатель: Компьютерные науки
ISBN: 978-5-6040044-9-4
ID: SKU46877
Сравнить цены
Цена от 1432 р. до 3648 р. в 6 магазинах
Магазин | Цена | Наличие |
---|---|---|
Лабиринт 5/5 | 3648 р. 5212 р. | |
Мегамаркет 5/5 | 2153 р. 3292 р. | |
Яндекс.Маркет 5/5 | 2103 р. | наличие уточняйте 06.05.2024 |
МАЙШОП 5/5 | 3259 р. 4864 р. | |
Буквоед 5/5 | 2829 р. Минимальная сумма заказа 100 рублей | наличие уточняйте 10.01.2022 |
OZON | 1432 р. | наличие уточняйте 29.12.2023 |
AliExpress 5/5 | ||
Читай-город 5/5 | ||
Описание
Книга представляет собой учебник по машинному обучению с акцентом на коммерческие приложения. Она предлагает подробное описание наиболее важных подходов к машинному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса.
В книге рассмотрены информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. В книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.
Книга может использоваться как учебник для студентов и аспирантов, специализирующихся в области машинного обучения, информатики, инженерии, математики и статистики, а также как справочник для профессионалов.
Машинное обучение часто используется для построения прогностических моделей путем извлечения шаблонов из больших наборов данных.
Эти модели используются в приложениях для прогнозирования данных, включая прогнозирование цен, оценку риска, прогнозирование поведения клиентов и классификацию документов. Этот вводный учебник предлагает подробное и целенаправленное рассмотрение наиболее важных подходов к компьютерному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса.
После обсуждения перехода от подготовки данных до понимания решения, в книге описываются четыре подхода к компьютерному обучению: информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. Наконец, в книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.
Книга является результатом многолетней работы авторов в области машинного обучения и интеллектуального анализа данных и подходит для использования студентами в области информатики, инженерии, математики или статистики, аспирантами, специализирующимися в областях, связанных с интеллектуальным анализом данных, а также профессионалами в качестве справочника.
"Книга написана учеными, но тесно связана с практикой. Действительно, интеллектуальный анализ данных и машинное обучение идут рука об руку: грубо говоря, прогнозирование зависит от обучения на прошлых примерах. И хотя Основы - это всеобъемлющий университетский учебник, авторы также признают, что интеллектуальный анализ данных является самым быстро развивающимся коммерческим применением машинного обучения. Благодаря этому данный чрезвычайно познавательный опус позволяет осветить концепции в тесной связи с отраслевыми тематическими исследованиями и передовыми методами, гарантируя, что вы ознакомитесь с лучшими практиками и сценариями использования и не заблудитесь в абстракциях".
- Эрик Сигель (Eric Siegel), доктор философии, основатель компании Predictive Analytics World; автор книги Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die.
"В этой книге представлены превосходные описания ключевых методов, используемых в аналитическом прогнозировании. Однако уникальная ценность книги - понимание, которое она дает для практического применения этих методов. Тематические исследования и разделы по подготовке данных и качеству данных отражают реальные проблемы в эффективном использовании интеллектуальных аналитических средств".
- Падрейг Каннингем (Padreig Cunningham), профессор информатики и информатики, Школа компьютерных наук, Университетский колледж Дублина; один из редакторов книги Machine Learning Techniques for Multimedia.
"Это замечательная самодостаточная книга, затрагивающая основные аспекты машинного обучения и представляющая их в ясном и интуитивно понятном свете. Авторы начинают с изложения основных идей и заканчивают более сложными информационными, вероятностными, статистическими и оптимизационными концепциями, делая акцент на том, как превратить бизнес-проблему в аналитическое решение, а также описывают соответствующие тематические исследования и приводят иллюстрации. Эта книга представляет собой легкое и увлекательное чтение, которое я рекомендую всем, кто заинтересован в том, чтобы узнать больше о механизмах машинного обучения и его приложениях для аналитического прогнозирования".
-Натали Япковиц (Nathalie Japkowicz), профессор компьютерных наук, Университет Оттавы; соавтор книги Evaluating Learning Algorithms: A Classification Perspective.
Об авторах
Джон Келлехер лектор в Дублинском технологическом институте и член-учредитель Исследовательского центра прикладного анализа DIT.
Брайан Мак-Нейми является преподавателем Университетского колледжа в Дублине.
Аоифе д'Арси генеральный директор The Analytics Store, консалтинговой компании по анализу данных и анализу данных.
В книге рассмотрены информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. В книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.
Книга может использоваться как учебник для студентов и аспирантов, специализирующихся в области машинного обучения, информатики, инженерии, математики и статистики, а также как справочник для профессионалов.
Машинное обучение часто используется для построения прогностических моделей путем извлечения шаблонов из больших наборов данных.
Эти модели используются в приложениях для прогнозирования данных, включая прогнозирование цен, оценку риска, прогнозирование поведения клиентов и классификацию документов. Этот вводный учебник предлагает подробное и целенаправленное рассмотрение наиболее важных подходов к компьютерному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса.
После обсуждения перехода от подготовки данных до понимания решения, в книге описываются четыре подхода к компьютерному обучению: информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. Наконец, в книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.
Книга является результатом многолетней работы авторов в области машинного обучения и интеллектуального анализа данных и подходит для использования студентами в области информатики, инженерии, математики или статистики, аспирантами, специализирующимися в областях, связанных с интеллектуальным анализом данных, а также профессионалами в качестве справочника.
"Книга написана учеными, но тесно связана с практикой. Действительно, интеллектуальный анализ данных и машинное обучение идут рука об руку: грубо говоря, прогнозирование зависит от обучения на прошлых примерах. И хотя Основы - это всеобъемлющий университетский учебник, авторы также признают, что интеллектуальный анализ данных является самым быстро развивающимся коммерческим применением машинного обучения. Благодаря этому данный чрезвычайно познавательный опус позволяет осветить концепции в тесной связи с отраслевыми тематическими исследованиями и передовыми методами, гарантируя, что вы ознакомитесь с лучшими практиками и сценариями использования и не заблудитесь в абстракциях".
- Эрик Сигель (Eric Siegel), доктор философии, основатель компании Predictive Analytics World; автор книги Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die.
"В этой книге представлены превосходные описания ключевых методов, используемых в аналитическом прогнозировании. Однако уникальная ценность книги - понимание, которое она дает для практического применения этих методов. Тематические исследования и разделы по подготовке данных и качеству данных отражают реальные проблемы в эффективном использовании интеллектуальных аналитических средств".
- Падрейг Каннингем (Padreig Cunningham), профессор информатики и информатики, Школа компьютерных наук, Университетский колледж Дублина; один из редакторов книги Machine Learning Techniques for Multimedia.
"Это замечательная самодостаточная книга, затрагивающая основные аспекты машинного обучения и представляющая их в ясном и интуитивно понятном свете. Авторы начинают с изложения основных идей и заканчивают более сложными информационными, вероятностными, статистическими и оптимизационными концепциями, делая акцент на том, как превратить бизнес-проблему в аналитическое решение, а также описывают соответствующие тематические исследования и приводят иллюстрации. Эта книга представляет собой легкое и увлекательное чтение, которое я рекомендую всем, кто заинтересован в том, чтобы узнать больше о механизмах машинного обучения и его приложениях для аналитического прогнозирования".
-Натали Япковиц (Nathalie Japkowicz), профессор компьютерных наук, Университет Оттавы; соавтор книги Evaluating Learning Algorithms: A Classification Perspective.
Об авторах
Джон Келлехер лектор в Дублинском технологическом институте и член-учредитель Исследовательского центра прикладного анализа DIT.
Брайан Мак-Нейми является преподавателем Университетского колледжа в Дублине.
Аоифе д'Арси генеральный директор The Analytics Store, консалтинговой компании по анализу данных и анализу данных.
Смотри также Характеристики.
Яндекс.Маркет
Содержание
Предисловие
Обозначения
Глава 1. Методы машинного обучения для
аналитического прогнозирования
Глава 2. Данные - выводы - решения
Глава 3. Изучение данных
Глава 4. Информационное обучение
Глава 5. Обучение на основе сходства
Глава б. Вероятностное обучение
Глава 7. Обучение на основе ошибок
Глава 8. Оценивание
Глава 9. Тематический пример: отток клиентов
Глава 10. Тематический пример: классификация
галактик
Глава 11. Искусство машинного обучения для
аналитического
прогнозирования
Приложение А. Описательная статистика и
визуализация данных
для машинного обучения
Приложение Б. Введение в теорию вероятностей
Приложение В. Правила дифференцирования
Библиография
Список рисунков
Список таблиц
Предметный указатель
Обозначения
Глава 1. Методы машинного обучения для
аналитического прогнозирования
Глава 2. Данные - выводы - решения
Глава 3. Изучение данных
Глава 4. Информационное обучение
Глава 5. Обучение на основе сходства
Глава б. Вероятностное обучение
Глава 7. Обучение на основе ошибок
Глава 8. Оценивание
Глава 9. Тематический пример: отток клиентов
Глава 10. Тематический пример: классификация
галактик
Глава 11. Искусство машинного обучения для
аналитического
прогнозирования
Приложение А. Описательная статистика и
визуализация данных
для машинного обучения
Приложение Б. Введение в теорию вероятностей
Приложение В. Правила дифференцирования
Библиография
Список рисунков
Список таблиц
Предметный указатель
О книге
Издатель | Диалектика |
Год издания | 2019 |
ISBN | 978-5-604-00449-4 |
Размеры | 17,00 см × 24,20 см × 3,00 см |
Тематика | Программирование |
Автор(ы) | Келлехер Джон Д., Мак-Нейми Брайан, д'Арси Аоифе |
Жанр | компьютерные программы и программирование |
Вес | 0.992 |
Издательство | Диалектика |
Количество страниц | 656 |
Тип обложки | твердая |
Формат | 17.0 x 25.0 x 2 |
Оформление обложки | лакировка |
Возрастное ограничение | 16+ |
Язык издания | Русский |
Кол-во страниц | 656 |
Обложка | твердый переплёт |
1 ms.
Книги где авторы: Келлехер Джон Д., Мак-Нейми Брайан, д'Арси Аоифе
Машинное обучение. Анализ данных - издательство "Компьютерные науки"
Категория 1145 р. - 1718 р.
Программирование - издательство "Компьютерные науки" »
0 ms.
Машинное обучение. Анализ данных
Категория 1145 р. - 1718 р.