- Профессиональная
- Научно-популярная
- Художественная
- Публицистика
- Детская
- Искусство
- Хобби, семья, дом
- Спорт
- Путеводители
- Блокноты, тетради, открытки
Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования
В наличии
Местонахождение: Москва | Состояние экземпляра: новый |
Бумажная
версия
версия
Автор: Келлехер Дж.Д., Мак-Нейми Б., д'Арси А.
ISBN: 978-5-6040044-9-4
Год издания: 2019
Формат книги: 70×100/16 (170×240 мм)
Количество страниц: 656
Издательство: Диалектика
Цена: 2904 руб.
Положить в корзину
Ожидает определения тематики
Код товара: 595453
Способы доставки в город Москва * комплектация (срок до отгрузки) не более 2 рабочих дней | Возможность оплаты при получении заказа |
Самовывоз из Москвы (собственные пункты самовывоза) | Нет, только предоплата |
Самовывоз из города Москва (пункты самовывоза партнёра CDEK) | Есть, наличными и банковской картой |
Курьерская доставка CDEK из города Москва | Есть, наличными и банковской картой |
Доставка Почтой России из города Москва | Есть, наличными |
Экспресс-доставка EMS из города Москва | Нет, только предоплата |
Аннотация: Машинное обучение часто используется для построения прогностических моделей путем извлечения шаблонов из больших наборов данных. Эти модели используются в приложениях для прогнозирования данных, включая прогнозирование цен, оценку риска, прогнозирование поведения клиентов и классификацию документов. Этот вводный учебник предлагает подробное и целенаправленное рассмотрение наиболее важных подходов к компьютерному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса. После обсуждения перехода от подготовки данных до понимания решения в книге описываются четыре подхода к компьютерному обучению: информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. Наконец, в книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения. Книга является результатом многолетней работы авторов в области машинного обучения и интеллектуального анализа данных и подходит для использования студентами в области информатики, инженерии, математики или статистики, аспирантами, специализирующимися в областях, связанных с интеллектуальным анализом данных, а также профессионалами в качестве справочника.