Machine Learning – Guia de Referência Rápida Machine Learning – Guia de Referência Rápida

Machine Learning – Guia de Referência Rápida

Trabalhando com dados estruturados em Python

    • 149,00 kr
    • 149,00 kr

Utgivarens beskrivning

Com notas, tabelas e exemplos detalhados, esta referência prática ajudará você a navegar pelo básico do machine learning com dados estruturados. O autor Matt Harrison oferece um ótimo guia que você poderá usar como material complementar para cursos, além de servir como um recurso conveniente quando você iniciar o seu próximo projeto de machine learning.

Ideal para programadores, cientistas de dados e engenheiros da área de IA, este livro apresenta uma visão geral do processo de machine learning e da classificação com dados estruturados. Você conhecerá métodos para clustering (agrupamento), regressão e redução de dimensões, entre outros assuntos.

Este guia de referência rápida inclui:

• classificação, usando o conjunto de dados do Titanic;

• limpeza de dados e métodos para lidar com dados ausentes;

• análise de dados exploratória;

• passos comuns de pré-processamento usando dados de amostras;

• seleção de atributos úteis ao modelo;

• seleção do modelo;

• métricas e avaliação da classificação;

• exemplos de regressão usando diversas técnicas de ML;

• métricas para avaliação de regressão;

• clustering;

• redução de dimensões;

• pipelines do scikit-learn.

GENRE
Datorer och internet
UTGIVEN
2019
10 december
SPRÅK
PT
Portugisiska
LÄNGD
272
Sidor
UTGIVARE
Novatec Editora
LEVERANTÖRS­UPPGIFTER
Bookwire Brazil Distribuicao de Livros Digitais LTDA.
STORLEK
7,1
MB
hapi.js in Action hapi.js in Action
2016
Uczenie maszynowe w Pythonie. Leksykon kieszonkowy Uczenie maszynowe w Pythonie. Leksykon kieszonkowy
2020
Machine Learning Les fondamentaux - collection O'Reilly Machine Learning Les fondamentaux - collection O'Reilly
2020
The American Evolution: How America Can Adapt to the Political, Economic and Social Challenges of the 21st Century The American Evolution: How America Can Adapt to the Political, Economic and Social Challenges of the 21st Century
2011