ДМК-Пресс Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес Груздев Артем Владимирович

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 и R, позволяющий полностью автоматизировать процесс построения прогнозных моделей. Автором обобщены лучшие практики использования деревьев решений от таких компаний, как Citibank N.A., Transunion и DBS Bank • Издание будет интересно маркетологам, риск-аналитикам и другим специалистам, занимающимся разработкой и внедрением прогнозных моделей

Практическое применение методов машинного обучения на базе популярных статистических пакетов IBM SPSS Statistics, R и Python • Строительство и интерпретация дерева решений и случайного леса • Оценка дискриминирующей способности полученных моделей • Улучшение модели дерева с помощью процедуры обрезки ветвей (прунинга) • Оптимизация модели логистической регрессии, используя информацию дерева и случайного леса • Навыки оптимального конструирования признаков • Улучшение модели случайного леса с помощью автоматической автоматизации параметров • Применение правил классификации/прогноза, полученных с помощью дерева, к новым данным • Второе издание книги дополнено главами о применении методов машинного обучения на базе Python. Данная книга представляет собой практическое руководство по применению метода деревьев решений и случайного леса для задач сегментации, классификации и прогнозирования

С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python • С этой книгой вы научитесь • применять большинство масштабируемых алгоритмов машинного обучения • работать с новейшими крупномасштабными методами машинного обучения • увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных • работать с вычислительной парадигмой Map-Reduce в платформе Spark • применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop • создавать мощные ансамбли в крупном масштабе • использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину

Книга содержит полное руководство по Pyomo (Python Optimization Modeling Objects) - пакету с открытым исходным кодом, предназначенному для формулирования и решения крупномасштабных задач оптимизации. Pyomo включает классы Python для определения разреженных множеств, параметров и переменных, с помощью которых записываются алгебраические выражения, определяющие целевые функции и ограничения. Кроме того, программу можно использовать как из командной строки, так и из интерактивного окружения Python, что сильно упрощает создание моделей Pyomo, применение различных оптимизаторов и изучение решений. Благодаря многочисленным примерам, иллюстрирующим различные способы формулирования моделей, книга прекрасно раскрывает широту средств моделирования, поддерживаемых Pyomo, и ее подходы к сложным практическим приложениям

В этой книге рассматриваются так называемые модели «черного ящика» для повышения адаптивности, интерпретируемости и объяснимости решений, принимаемых алгоритмами искусственного интеллекта (ИИ), с использованием таких фреймворков, как библиотеки Python XAI, TensorFlow 2.0+, Keras, а также пользовательских фреймворков, использующих оболочки Python. Излагаются основы объяснимости и интерпретируемости моделей, обсуждаются методы и системы для интерпретации линейных, нелинейных моделей и моделей временных рядов, используемых в ИИ. Вы узнаете, как алгоритм ИИ принимает решение и как сделать модель ИИ интерпретируемой и объяснимой, ознакомитесь с моделями глубокого обучения

Если вы хотите разобраться в основах теории и алгоритмов компьютерного зрения, то эта книга - как раз то, что вам нужно. Вы узнаете о методах распознавания объектов, трехмерной реконструкции, обработке стереоизображений, дополненной реальности и других приложениях компьютерного зрения. Изложение сопровождается понятными примерами на языке Python. При этом объяснения даются в общих чертах, без погружения в сухую теорию. Издание идеально подходит для студентов, исследователей и энтузиастов-любителей с базовыми знаниями математики и навыками программирования.. Краткое содержание книги: методы, применяемые для ориентации роботов, обработки медицинских изображений и в других приложениях машинного зрения; преобразования изображений, в частности деформирование текстур и создание панорам; вычисление трехмерной реконструкции по нескольким изображениям одной сцены; организация изображений по сходству или содержанию с применением методов кластеризации; разработка эффективных методов поиска изображений по содержанию; алгоритмы распознавания объектов и классификации изображений по содержанию; работа с популярной библиотекой OpenCV через интерфейс с Python

Изучите методы скрапинга и краулинга веб-сайтов, чтобы получить доступ к неограниченному объему данных в любом уголке Интернета и любом формате. С помощью этого практического руководства вы узнаете, как использовать скрипты Python и веб-API, чтобы одновременно собрать и обработать данные с тысяч или даже миллионов веб-страниц • Идеально подходящая для программистов, специалистов по безопасности и веб-адмнппстраторов, знакомых с языком Python, эта книга знакомит не только с основными принципами работы веб-скраперов, но и углубляется и более сложные темы, такие как анализ сырых данных или использование скраперов для тестирования интерфейса веб-сайта. Примеры программного кода, приведенные в книге, помогут разобраться в этих принципах на практике

Наука о поведении сложных систем использует различные вычисления для изучения естественных и гуманитарных наук. В этой книге вы будете использовать графы, клеточные автоматы и агентные модели для изучения тем по физике, биологии и экономике • Независимо от того, являетесь ли вы программистом на Python или изучаете компьютерное моделирование в университете, вы углубитесь в изучение сложных систем с помощью серии проработанных примеров, упражнений, случаев из практики и простых для понимания объяснений

Эта книга поможет читателю овладеть алгоритмами обучения с подкреплением (ОП) и научиться реализовывать их при создании самообучающихся агентов • В первой части рассматриваются различные элементы ОП, сфера его применения, инструменты, необходимые для работы в среде ОП. Вторая и третья части посвящены непосредственно алгоритмам. В числе прочего автор показывает, как сочетать Q-обучение с нейронными сетями для решения сложных задач, описывает методы градиента стратегии, TRPO и PPO, позволяющие повысить производительность и устойчивость, а также детерминированные алгоритмы DDPG и TD3. Читатель узнает о том, как работает техника подражательного обучения, познакомится с алгоритмами исследования на базе верхней доверительной границы (UCB и UCB1) и мета-алгоритмом ESBAS

Если типичную программу на стандартном Python подвергнуть слишком высокой нагрузке, то она будет работать с черепашьей скоростью. Для решения этой проблемы была разработана библиотека asyncio, которая позволяет разбить программу на более мелкие задачи и планировать их выполнение. В итоге получающиеся приложения работают молниеносно и допускают масштабирование • В этой книге асинхронное, параллельное и конкурентное программирование рассматривается на конкретных примерах. Сложные для понимания вопросы иллюстрируются с помощью диаграмм, позволяющих наглядно представить, как работают задачи. Вы узнаете, как asyncio преодолевает ограничения Python и способствует ускорению медленных веб-серверов и микросервисов. Вы даже научитесь сочетать asyncio с традиционной многопроцессной обработкой, получив в награду резкий скачок производительности

Если вы знакомы с основами математики и с программированием на Python, то вы готовы к погружению в обработку сигналов. При изучении этой сложной темы в большинстве руководств начинают с теории, в этой же книге все изучается на примерах, взятых из реальной жизни. Уже в первой главе вы разложите звук на гармоники, поменяете их и создадите новые звуки. Автор, Аллен Дауни, рассматривает несколько методов - тут и спектральное разложение, и фильтрация, и свертка, и быстрое преобразование Фурье. В этой книге много упражнений и примеров кода - с ними проще разбираться в материале. Книга профессора Дауни - идеальный путеводитель в мире цифровой обработки сигналов. Она содержит массу информации - от основ до "высоких материй", и она представлена в простом, логичном и хорошо организованном виде, с большим количеством иллюстраций

Эта книга является не только пособием по проектированию устройств на основе ПЛИС (FPGA), но и содержит поистине энциклопедические сведения. Кроме архитектурных особенностей последних поколений микросхем ПЛИС, здесь рассматриваются различные методы и средства проектирования. Проводится обзор и анализ схемотехнических подходов к проектированию (которые всё ещё находят применение), HDL-моделирования и логического синтеза, а так же современных технологий проектирования, основанных на использовании языка C/C++. Рассматриваются специализированные вопросы, такие как совместное проектирование программно-аппаратных систем и разработка систем цифровой обработки сигналов (ЦОС). Обсуждаются и технические новинки, например программируемые пользователем массивы узлов (FPNA)