Груздев А.В.
37,17 €
Предварительная подготовка данных в Python. Том 2. План, примеры и метрики качества
SKU: DMK-8123924TVВ корзину
32,09 €
Предварительная подготовка данных в Python. Том 1. Инструменты и валидация
SKU: DMK-8123902TVВ корзину
Графовые нейронные сети на Python
Создавайте креативные и мощные приложения с использованием графовых данных и станьте экспертом в графовых нейронных сетях! Всего через десять лет после своего появления графовые нейронные сети стали одной из самых интересных архитектур в глубоком обучении. Технологические компании пытаются применить их повсюду: в сфере разработки лекарств, в системах рекомендаций еды, видео...
Причинно-следственный анализ для смелых и честных
В книге подробно рассматривается причинно-следственный анализ – метод статистического анализа, который помогает выявить, как одно событие влияет на другое (например, как предложение скидки может повлиять на продажи). Краткое содержание: • различия между корреляцией и причинностью, основные понятия причинно-следственного анализа; • модели причинно-следственных связей: инструменты для создания причинно-следственных моделей; • методы...
Предварительная подготовка данных в Python. Том 2. План, примеры и метрики качества
В двухтомнике представлены материалы по применению классических методов машинного обучения для различных промышленных задач. Прочитав второй том, вы научитесь: - составлять план предварительной подготовки данных; - конструировать признаки; - отбирать признаки; - работать с метриками бинарной классификации и регрессии; - выполнять байесовскую оптимизацию гиперпараметров; - создавать контейнеры Docker; - строить...
Предварительная подготовка данных в Python. Том 1. Инструменты и валидация
В двухтомнике представлены материалы по применению классических методов машинного обучения для различных промышленных задач. Прочитав первый том, вы научитесь: - работать в IPython и Jupyter Notebook; - применять функции библиотеки NumPy; - визуализировать результаты анализа с помощью библиотек matplotlib, seaborn и plotly; - выполнять предварительную подготовку данных в библиотеке pandas;...
Streamlit для Data Science
Если вы работаете с данными на Python и хотите создавать высококачественные интерактивные приложения для работы с данными, демонстрирующие модели машинного обучения и генерирующие красивые интерактивные визуализации, то эта книга идеально подходит для вас. Описано подключение Streamlit к базам данных, таким как Snowflake, интеграцию моделей Hugging Face и OpenAI с вашими...
Прогнозирование временных рядов с помощью Facebook Prophet, ETNA, Sktime и Linkedin Greykite
Прогнозирование – одна из задач науки о данных, которая является центральной для многих видов деятельности внутри организации. Книга посвящена популярным библиотекам прогнозирования временных рядов Prophet, sktime, ETNA и Greykite. Разбирается математический аппарат и API каждой библиотеки. Показаны примеры решения задач прогнозирования, классификации и кластеризации временных рядов, проиллюстрированы темы конструирования и...
Логистическая регрессия
В книге рассказывается о математическом аппарате логистической регрессии, способах интерпретации регрессионных коэффициентов, даются программные реализации методов оценивания (метод градиентного спуска, метод Ньютона без регуляризации / с регуляризацией), приведены примеры развертывания моделей с помощью Streamlit, Streamlit Cloud, Docker, FastAPI и Flask.Книга будет интересна специалистам по анализу данных, маркетологам и риск-аналитикам.
Изучаем pandas. Второе издание
2-е издание: в 1,5 раза толще, уже в цвете и переплете! Библиотека pandas – популярный пакет для анализа и обработки данных на языке Python. Он предлагает эффективные, быстрые, высокопроизводительные структуры данных, которые позволяют существенно упростить работу. Данная книга познакомит вас с обширным набором инструментов, предлагаемых библиотекой pandas, – начиная с...
Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес
Данная книга представляет собой практическое руководство по применению метода деревьев решений для задач сегментации, классификации и прогнозирования. Каждый раздел книги сопровождается практическим примером. Кроме того, книга содержит программный код SPSS Syntax, R и Python, позволяющий полностью автоматизировать процесс построения прогнозных моделей. Автором обобщены лучшие практики использования деревьев решений от таких...