Verdhan Vaibhav / Вердхан Вайбхав - Data Without Labels / Данные без меток [2025, PDF, ENG]
Главная »
Литература
» Книги FB2 » Учебно-техническая литература
|
| Статистика раздачи | |
| Размер: 38.83 MB | Зарегистрирован: 6 месяца 4 дня | Скачано: 49 раза | |
| Список скачавших: Нет | |
| Работает мультитрекерная раздача | |
|
Полного источника не было: Никогда |
|
|
| Автор | Сообщение | |||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| MAGNAT ®  ![[Профиль]](./styles/templates/zlight/images/lang/ru/icon_profile.gif "Посмотреть профиль"){kind=icon} ![[ЛС]](./styles/templates/zlight/images/lang/ru/icon_pm.gif "Отправить ЛС"){kind=icon}
|
Data Without Labels: Practical unsupervised machine learning / Данные без меток: Практическое машинное обучение без учителя
Год издания: 2025 Автор: Verdhan Vaibhav / Вердхан Вайбхав Издательство: Manning Publications Co. ISBN: 978-1-6172-9872-1 Язык: Английский Формат: PDF Качество: Издательский макет или текст (eBook) Интерактивное оглавление: Да Количество страниц: 354 Описание: Discover all-practical implementations of the key algorithms and models for handling unlabeled data. Full of case studies demonstrating how to apply each technique to real-world problems. In Data Without Labels you’ll learn: Fundamental building blocks and concepts of machine learning and unsupervised learning Data cleaning for structured and unstructured data like text and images Clustering algorithms like K-means, hierarchical clustering, DBSCAN, Gaussian Mixture Models, and Spectral clustering Dimensionality reduction methods like Principal Component Analysis (PCA), SVD, Multidimensional scaling, and t-SNE Association rule algorithms like aPriori, ECLAT, SPADE Unsupervised time series clustering, Gaussian Mixture models, and statistical methods Building neural networks such as GANs and autoencoders Dimensionality reduction methods like Principal Component Analysis and multidimensional scaling Association rule algorithms like aPriori, ECLAT, and SPADE Working with Python tools and libraries like sci-kit learn, numpy, Pandas, matplotlib, Seaborn, Keras, TensorFlow, and Flask How to interpret the results of unsupervised learning Choosing the right algorithm for your problem Deploying unsupervised learning to production Maintenance and refresh of an ML solution Data Without Labels introduces mathematical techniques, key algorithms, and Python implementations that will help you build machine learning models for unannotated data. You’ll discover hands-off and unsupervised machine learning approaches that can still untangle raw, real-world datasets and support sound strategic decisions for your business. Don’t get bogged down in theory—the book bridges the gap between complex math and practical Python implementations, covering end-to-end model development all the way through to production deployment. You’ll discover the business use cases for machine learning and unsupervised learning, and access insightful research papers to complete your knowledge. about the technology Generative AI, predictive algorithms, fraud detection, and many other analysis tasks rely on cheap and plentiful unlabeled data. Machine learning on data without labels—or unsupervised learning—turns raw text, images, and numbers into insights about your customers, accurate computer vision, and high-quality datasets for training AI models. This book will show you how. about the book Data Without Labels is a comprehensive guide to unsupervised learning, offering a deep dive into its mathematical foundations, algorithms, and practical applications. It presents practical examples from retail, aviation, and banking using fully annotated Python code. You’ll explore core techniques like clustering and dimensionality reduction along with advanced topics like autoencoders and GANs. As you go, you’ll learn where to apply unsupervised learning in business applications and discover how to develop your own machine learning models end-to-end. what's inside Master unsupervised learning algorithms Real-world business applications Curate AI training datasets Explore autoencoders and GANs applications about the reader Intended for data science professionals. Assumes knowledge of Python and basic machine learning. about the author Vaibhav Verdhan is a seasoned data science professional with extensive experience working on data science projects in a large pharmaceutical company. Ознакомьтесь с практическими реализациями ключевых алгоритмов и моделей для обработки немаркированных данных. Множество тематических исследований, демонстрирующих, как применять каждый метод к реальным задачам. В книге "Данные без меток" вы узнаете: Основные строительные блоки и концепции машинного обучения и обучения без учителя. Очистка структурированных и неструктурированных данных, таких как текст и изображения Алгоритмы кластеризации, такие как K-средние, иерархическая кластеризация, DBSCAN, модели гауссовой смеси и спектральная кластеризация Методы уменьшения размерности, такие как анализ главных компонент (PCA), SVD, многомерное масштабирование и t-SNE Алгоритмы определения ассоциативных правил, такие как aPriori, ECLAT, SPADE Кластеризация временных рядов без контроля, модели гауссовой смеси и статистические методы Построение нейронных сетей, таких как GAN и автоэнкодеры Методы уменьшения размерности, такие как анализ главных компонент и многомерное масштабирование Алгоритмы определения ассоциативных правил, такие как aPriori, ECLAT и SPADE Работа с инструментами и библиотеками Python, такими как sci-kit learn, numpy, Pandas, matplotlib, Seaborn, Keras, TensorFlow и Flask Как интерпретировать результаты обучения без учителя Выбор правильного алгоритма для решения вашей задачи Внедрение неконтролируемого обучения в производство Поддержка и обновление решения ML В "Данных без меток" представлены математические методы, ключевые алгоритмы и реализации на языке Python, которые помогут вам создавать модели машинного обучения для неаннотированных данных. Вы познакомитесь с подходами к машинному обучению без участия персонала и без присмотра, которые по-прежнему позволяют обрабатывать необработанные наборы реальных данных и принимать обоснованные стратегические решения для вашего бизнеса. Не зацикливайтесь на теории — книга устраняет разрыв между сложной математикой и практическими реализациями на Python, охватывая комплексную разработку моделей вплоть до производственного развертывания. Вы познакомитесь с примерами использования машинного обучения и обучения без учителя в бизнесе, а также получите доступ к глубоким исследовательским статьям, которые дополнят ваши знания. о технологии Генерирующий искусственный интеллект, алгоритмы прогнозирования, обнаружения мошенничества и многие другие аналитические задачи основаны на дешевых и обильных немаркированных данных. Машинное обучение на основе данных без надписей — или обучение без контроля — превращает необработанный текст, изображения и цифры в информацию о ваших клиентах, точное компьютерное зрение и высококачественные наборы данных для обучения моделей искусственного интеллекта. В этой книге вы узнаете, как это сделать. о книге "Данные без меток" - это всеобъемлющее руководство по обучению без контроля, предлагающее глубокое погружение в математические основы, алгоритмы и практические приложения. В нем представлены практические примеры из сферы розничной торговли, авиации и банковского дела с использованием полностью аннотированного кода на Python. Вы изучите основные методы, такие как кластеризация и уменьшение размерности, а также расширенные темы, такие как автоэнкодеры и GAN. По ходу дела вы узнаете, где можно применить обучение без учителя в бизнес-приложениях, и как разрабатывать собственные модели машинного обучения от начала до конца. что внутри Осваивать алгоритмы обучения без присмотра Для реальных бизнес-приложений Создавать наборы данных для обучения ИИ Изучать автоэнкодеры и приложения GANs о читателе Предназначено для специалистов в области науки о данных. Предполагает знание языка Python и основ машинного обучения. об авторе Вайбхав Вердхан - опытный специалист в области обработки данных с большим опытом работы над проектами в области обработки данных в крупной фармацевтической компании. ОглавлениеPART 1 BASICS ...................................................................... 11 ■ Introduction to machine learning 3 2 ■ Clustering techniques 32 3 ■ Dimensionality reduction 77 PART 2 INTERMEDIATE LEVEL .................................................. 109 4 ■ Association rules 111 5 ■ Clustering 149 6 ■ Dimensionality reduction 176 7 ■ Unsupervised learning for text data 202 PART 3 ADVANCED CONCEPTS ................................................. 233 8 ■ Deep learning: The foundational concepts 235 9 ■ Autoencoders 267 10 ■ Generative adversarial networks, generative AI, and ChatGPT 279 11 ■ End-to-end model deployment 291 appendix A ■ Mathematical foundations 307
|
|||||||||||||||||||
![[Код]](./styles/templates/zlight/images/lang/ru/icon_code.gif "Код"){kind=icon}
|
Главная »
Литература
» Книги FB2 » Учебно-техническая литература
|
Текущее время: 05-Дек 14:40
Часовой пояс: UTC + 5
Вы не можете начинать темы
Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы можете скачивать файлы |
