Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-learn. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.Приведены рецепты решений с использованием:векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерно-сти и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, класте-ризации и нейронных сетей; сохранения и загрузки натренированных моделей.
Kniga soderzhit okolo 200 retseptov resheniya prakticheskikh zadach mashinnogo obucheniya, takikh kak zagruzka i obrabotka tekstovykh ili chislovykh dannykh, otbor modeli, umenshenie razmernosti i mnogie drugie. Rassmotrena rabota s yazykom Python i ego bibliotekami, v tom chisle pandas i scikit-learn. Resheniya vsekh zadach soprovozhdayutsya podrobnymi obyasneniyami. Kazhdyy retsept soderzhit rabotayushchiy programmnyy kod, kotoryy mozhno vstavlyat, obedinyat i adaptirovat, sozdavaya sobstvennoe prilozhenie.Privedeny retsepty resheniy s ispolzovaniem:vektorov, matrits i massivov; obrabotki dannykh, teksta, izobrazheniy, dat i vremeni; umensheniya razmerno-sti i metodov vydeleniya ili otbora priznakov; otsenivaniya i otbora modeley; lineynoy i logisticheskoy regressii, derevev, lesov i k blizhayshikh sosedey; oporno-vektornykh mashin (SVM), naivnykh bayesovykh klassifikatorov, klaste-rizatsii i neyronnykh setey; sokhraneniya i zagruzki natrenirovannykh modeley.