Наш поиск: интерпретируемое машинное обучение на python
С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и Tensor. Flow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде Map. Reduce на платформах Hadoop и Spark на языке Python.С этой книгой вы научитесь:• применять большинство масштабируемых алгоритмов машинного обучения;• работать с новейшими крупномасштабными методами машинного обучения;• увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных;• работать с вычислительной парадигмой Map-Reduce в платформе Spark;• применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop;• создавать мощные ансамбли в крупном масштабе;• использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину
