Основы работы с моделями машинного и глубокого обучения, Пылов П.А., 2023

Основы работы с моделями машинного и глубокого обучения, Пылов П.А., 2023.
 
   Представлены необходимые инструменты для программной и математической разработки моделей прикладного машинного и глубокого обучения. Показаны базовые принципы и аспекты, которыми оперирует область Data Science. Дан ознакомительный экскурс по теоретической составляющей курса, для каждой рассмотренной модели машинного/глубокого обучения поставлена в соответствие её прикладная реализация.
Для студентов, обучающихся по направлению подготовки «Искусственный интеллект». Может быть полезно специалистам в области искусственного интеллекта.




Линейная регрессия.
Линейная регрессия - один из самых простых инструментов статистического моделирования, но именно в его простоте и заключается его эффективность. Для начала необходимо понять значение термина. В упрощенном виде регрессионный анализ можно определить, как способ описания взаимоотношений между зависимой переменной и набором независимых переменных. Например, с помощью этого метода при наличии набора данных о росте, весе, поле и других физических параметрах ребенка, мы можем описать влияние этих переменных на целевую переменную - рост этого человека во взрослом возрасте.

Что значит сам термин «регрессия»?. В основном, это просто дань традиции: он возник несколько веков назад и прочно закрепился в обиходе. Существует известный термин «регрессия к среднему значению». За ним скрывается мысль о том, что данные могут отклоняться от ожидаемого «среднего» значения, но, если наблюдений много, они возвращаются или «регрессируют» к прогнозируемому значению. Например, у высокого человека почти наверняка будут высокие дети. Они могут «регрессировать» к среднему значению роста, но вряд ли окажутся выше своего родителя.

ОГЛАВЛЕНИЕ.
Введение.
Глава 1. Теоретические положения базовых алгоритмов машинного и глубокого обучения.
Алгоритм линейной регрессии.
Алгоритм логистической регрессии.
Гребневая регрессия.
Алгоритм к ближайших соседей (к Nearest Neighbor).
Алгоритм деревья решений (Decision Tree).
Наивный Байес (классификатор).
Метод опорных векторов.
Алгоритм кластеризации на основе плотности.
Генетические алгоритмы.
Алгоритм ансамблирования бэггинг.
Алгоритм ансамблирования стекинг.
Сеть векторного квантования (LVQ).
Кластеризация на основе распределений.
Алгоритм кластеризации кластерный центроид.
Иерархические алгоритмы (иерархия кластеров).
Искусственная нейронная сеть.
Рекуррентная нейронная сеть.
Глава 2. Практическая реализация базовых алгоритмов машинного и глубокого обучения на языке программирования Python 3.9.1.
Алгоритм линейной регрессии.
Алгоритм логистической регрессии.
Гребневая регрессия.
Алгоритм к ближайших соседей (к Nearest Neighbor).
Алгоритм деревья решений (Decision Tree).
Наивный Байес (классификатор).
Метод опорных векторов.
Алгоритм кластеризации на основе плотности.
Генетические алгоритмы.
Алгоритм ансамблирования бэггинг.
Алгоритм ансамблирования стекинг.
Сеть векторного квантования (LVQ).
Кластеризация на основе распределений.
Алгоритм кластеризации кластерный центроид.
Иерархические алгоритмы (иерархия кластеров).
Искусственная нейронная сеть.
Рекуррентная нейронная сеть.
Библиографический список.
Приложение А. Варианты заданий для самостоятельной реализации моделей машинного и глубокого обучения.


Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Купить .



Хештеги: #учебник по информатике :: #информатика :: #компьютеры :: #Пылов