Лука Массарон, Марк Райан | Машинное обучение на табличных данных. XGBoost, глубокое обучение и ИИ (2026) [PDF]
Автор: Лука Массарон, Марк Райан
Перевод: Н. Богач
Издательство: Питер
Серия: Библиотека программиста
ISBN: 978-5-4461-4391-7
Жанр: Информатика и вычислительная техника, Искусственный интеллект, Машинное обучение, Нейронные сети, Прикладная информатика
Формат: PDF
Качество: Изначально электронное (ebook)
Иллюстрации: Черно-белые
Описание:Машинное обучение может ускорить выполнение повседневных бизнес-задач, таких как сверка счетов, прогнозирование спроса или автоматизация обслуживания клиентов, не говоря уже о более сложных задачах, например выявление мошенничества, прогнозное техническое обслуживание и персонализированный маркетинг. Извлекайте важную информацию из электронных таблиц, реестров, баз данных и других источников, используя градиентный бустинг, глубокое обучение и генеративный ИИ.
«Машинное обучение на табличных данных» описывает практические методы машинного обучения для модернизации каждого этапа анализа бизнес-данных. Вас ждут примеры использования XGBoost и Keras для прогнозирования цен на краткосрочную аренду недвижимости, развертывание локальной модели машинного обучения с помощью Python и Flask и оптимизация рабочих процессов с использованием больших языковых моделей (LLM). Научитесь делать свои модели более мощными и интерпретируемыми.
Оглавление
Часть 1
Понятие о машинном обучении
для табличных данных
Глава 1. Табличные данные............................................................................... 32
Глава 2. Табличные датасеты............................................................................. 45
Глава 3. Машинное и глубокое обучение............................................................. 99
Часть 2
Машинное обучение и градиентный бустинг
для табличных данных
Глава 4. Классические алгоритмы для табличных данных.....................................130
Глава 5. Деревья решений и градиентный бустинг................................................178
Глава 6. Продвинутые методы обработки признаков.............................................245
Глава 7. Полный пример применения XGBoost......................................................302
Часть 3
Глава 8. С чего начать?......................................................................................365
Глава 9. Лучшие практики глубокого обучения.....................................................395
6 Краткое содержание
Глава 10. Развертывание модели.........................................................................431
Глава 11. Пайплайн машинного обучения.............................................................473
Глава 12. Комбинация градиентного бустинга и глубокого обучения.......................524
Приложение А. Гиперпараметры для классических моделей
машинного обучения...........................................................................................543
Приложение Б. Методы k ближайших соседей и опорных векторов..........................547
Скриншоты:
Время раздачи: с 09:00 до 21:00 (минимум до появления первых 3-5 скачавших) 
