Книга Kaggle. Машинное обучение и анализ данных
Книга Kaggle. Машинное обучение и анализ данных
Автор: Конрад Банахевич, Лука Массарон
Дата выхода: 2024
Издательство: «БХВ-Петербург»
Количество страниц: 448
Размер файла: 10,6 МБ
Тип файла: DJVU
Книга рассказывает о продвинутых приёмах машинного обучения и науки о данных (data science) на основе задач, решаемых на всемирно известной платформе Kaggle. Показано (в том числе на примере увлекательных интервью с Kaggle-гроссмейстерами), как устроена платформа Kaggle и проводимые на ней соревнования. Изложенный материал позволяет развить необходимые навыки и собрать портфолио по машинному обучению, анализу данных, обработке естественного языка, работе с множествами. Подобран уникальный пул задач, охватывающих различные классификационные и оценочные метрики, методы обучения нейронных сетей, схемы валидации, выявление паттернов и трендов в материале любой сложности.
Для специалистов по анализу данных и машинному обучению
Конкурсы Kaggle – это поле для состязаний, где меряются силами миллионы специалистов по науке о данных (data science), которые сами себя именуют «кэглерами». Участие в таких конкурсах – верный способ профессионально вырасти в области анализа данных, влиться в замечательное сообщество единомышленников и приобрести бесценный опыт для развития карьеры. Авторы книги – грандмастера Kaggle. Они познакомят вас со стратегиями моделирования, которые более нигде не рассмотрены, и подскажут, как удобнее всего обрабатывать изображения, тексты, таблицы, как правильно реализовать обучение с подкреплением. Вы освоите качественные схемы валидации и станете уверенно ориентироваться в самых разных оценочных метриках.
В книге рассказано:
- Как устроена соревновательная платформа Kaggle
- Как выжать максимум из ноутбуков, датасетов и форумов Kaggle
- Как правильно собирать портфолио проектов и идеи для развития карьеры
- Как проектировать k-мерные и вероятностные схемы валидации
- Как освоить наиболее распространённые и экзотические оценочные метрики
- Как устроена бинарная и многоклассовая классификация объектов, а также их обнаружение
- Как эффективно обращаться с временными рядами и обработкой естественного языка (NLP)
- Как преуспеть в задачах на имитационное моделирование и оптимизацию