протодьяконов а в дягилева а в пылов п а асимптотический анализ поведения прикладных моделей машинного обучения
Протодьяконов А.В., Дягилева А.В., Пылов П.А. Асимптотический анализ поведения прикладных моделей машинного обучения
1519 Руб.
Протодьяконов А.В., Дягилева А.В., Пылов П.А. Асимптотический анализ поведения прикладных моделей машинного обучения
1519 Руб.
Протодьяконов Андрей Владимирович, Пылов Петр Андреевич, Дягилева Анна Владимировна Асимптотический анализ поведения прикладных моделей машинного обучения. Учебное пособие
1023 Руб.
Протодьяконов А.В., Пылов П.А., Дягилева А.В. Математические и программные методы построения моделей глубокого обучения
1459 Руб.
Протодьяконов А.В., Пылов П.А., Дягилева А.В. Математические и программные методы построения моделей глубокого обучения
1459 Руб.
Протодьяконов Андрей Владимирович, Пылов Петр Андреевич, Дягилева Анна Владимировна Математические и программные методы построения моделей глубокого обучения. Учебное пособие
1675 Руб.
Пылов П.А., Майтак Р.В., Дягилева А.В. Основы работы с моделями машинного и глубокого обучения
2054 Руб.
Пылов П.А., Майтак Р.В., Дягилева А.В. Основы работы с моделями машинного и глубокого обучения
2054 Руб.
Описание:
Язык R предлагает мощный набор методов машинного обучения, позволяющих быстро проводить нетривиальный анализ ваших данных. Книга является руководством, которое поможет применять методы машинного обучения в решении ежедневных задач. Бретт Ланц научит всему необходимому для анализа данных, формирования прогнозов и визуализации данных. Здесь вы найдете информацию о новых улучшенных библиотеках, советы об этических аспектах машинного обучения и проблемах предвзятости, а также познакомитесь с глубоким обучением. В этой книге: - Основы машинного обучения и особенности обучения компьютера на примерах. - Подготовка данных к использованию в машинном обучении средствами языка R. - Классификация значимости результатов. - Предсказание событий с помощью деревьев решений, правил и опорных векторов. - Прогнозирование числовых данных и оценка финансовых данных с помощью регрессионных методов. - Моделирование сложных процессов с использованием нейронных сетей – фундамент глубокого обучения. - Оценка моделей и улучшение их производительности. - Новейшие технологии для обработки больших данных, в частности R 3.6, Spark, H2O и TensorFlow.