Машинное обучение с использованием библиотеки H2O
Машинное обучение наконец-то достигло стадии зрелости. При помощи программного обеспечения H2O вы можете решать задачи машинного обучения и анализа данных с использованием простого в использовании и открытого (open source) фреймворка, который поддерживает большое количество операционный систем и языков программирования, а также масштабируется для обработки больших данных. Это практическое руководство научит вас использовать алгоритмы машинного обучения, реализованные в H2O, с упором на наиболее важные для продуктивной работы аспекты.
Если вы умеете программировать на R или Python, хотя бы немного знаете статистику и имеете опыт обработки данных, эта книга Даррена Кука познакомит вас с основами использования H2O и поможет вам поэкспериментировать с машинным обучением на наборах данных разного размера. Вы изучите несколько современных алгоритмов машинного обучения: глубокое обучение, «случайный лес», обучение на неразмеченных данных и ансамбли моделей.
Прочтя эту книгу, вы:
• узнаете, как импортировать данные в H2O, преобразовывать их и экспортировать их из H2O;
• изучите основные концепции машинного обучения, такие как перекрестная проверка и проверочные наборы данных;
• поработаете с тремя разными наборами данных, решая задачи регрессии, бинарной и многоклассовой классификации;
• используете H2O для анализа каждого набора данных при помощи четырех алгоритмов машинного обучения;
• поймете, как работает кластерный анализ и другие алгоритмы обучения на неразмеченных данных.
Понимание процесса построения моделей, тупиковых ситуаций и заканчивающихся провалом экспериментов является не менее важным, чем изучение кода!
Машинное обучение и анализ данных с помощью H2O, Python и R
Книга Даррена Кука знакомит с практическим применением открытого фреймворка H2O для машинного обучения и анализа данных, позволяющего создавать модели и обрабатывать большие наборы данных с использованием Python и R. На примерах задач регрессии, бинарной и многоклассовой классификации читатели освоят подготовку, импорт и экспорт данных, перекрёстную проверку, оценку моделей, глубокое обучение, алгоритм «случайный лес», ансамбли моделей и кластерный анализ, а также изучат методы обучения без учителя. Издание предназначено для программистов, аналитиков данных и начинающих специалистов по машинному обучению, которые хотят научиться применять алгоритмы H2O на практике, оценивать качество моделей и понимать причины неудачных экспериментов при построении решений для реальных задач.