Алгоритмы Data Science и их практическая реализация на Python. 2-е изд.

Предисловие Часть 1. Процесс машинного обучения Задачи машинного обучения Модель и процесс машинного обучения Понятие ETL Понятие EDA Подготовка данных Разбиение выборки Оптимизация гиперпараметров Недообучение и переобучение Смещение, разброс и ошибка данных Использование HDF Часть 2. Метрики и модели общие Метод максимального правдоподобия Метод наименьших квадратов Аппроксимация пропусков в данных Среднеквадратичная ошибка Метрики и расстояния Часть практических навыков к 1-2 Процесс ETL Интерполяция и экстраполяция Оценка модели Линейная регрессия Оптимизация потребления памяти EDA и исследование зависимостей в данных Заполнение пропусков в данных Часть 3. Модели линейной регрессии Линейная регрессия и L1_L2-регуляризация Изотоническая регрессия BIC и AIC Полиномиальная регрессия Линеаризация регрессии Часть практических навыков к 3 Обогащение данных Иерархия моделей Оптимизация регрессии Экспорт и импорт данных Ансамбль регрессионных моделей Расчет результатов Часть 4. Модели классификации и её метрики Точность и полнота F-мера ROC AUC и Gini Оценка Каппа Коэна Взвешенная квадратичная оценка Каппа Коэна Логистическая функция потерь Метод ближайших соседей Часть практических навыков к 4 Страховой скоринг F1 и Каппа оценки классификации Метод ближайших соседей Наивный Байес в задаче классификации скоринга и оптимизации потребления памяти Логистическая регрессия Иерархия логистической ргерессии Метод опорных векторов (Support-Vector Machine) Часть 5. Ансамблевые модели Ансамблевые модели Бутсрэп Бэггинг Случайный лес Out-of-Bag Сверхслучайные деревья Адаптивный бустинг LogitBoost, BrownBoost и L2Boost Градиентный спуск Градиентный бустинг и XGBoost Стохастический градиентный бустинг Часть практических навыков к 5 Решающие деревья Случайный лес Бустинг с XGBoost Часть 6. Продвинутые ансамбли LightGBM CatBoost Ансамбль стекинга Часть практических навыков к 6 LightGBM CatBoost Ансамбль классификации Расчет результатов Часть 7. Искусственные нейронные сети Искусственные нейронные сети Слои в нейросетях Нейрон смещения Функции активации Обратное распространение ошибки Многослойный перцептрон Часть практических навыков к 7 Задача предсказания формы облаков Предобработка изображений Опорные векторы и коэффициент сходства Двухслойный перцептрон Часть 8. Обучение нейросети Эпохи, пакеты, итерации Оптимизация нейронной сети по Нестерову Адаптивная оптимизация нейронной сети RMSprop, Adadelta, Adam Оптимизация нейронных сетей Пакетная нормализация Регуляризация обучения нейронных сетей Методы инициализации весов в нейронных сетях Дополнение данных Свертка и подвыборка Сверточные нейронные сети Часть практических навыков к 8 Свертка и предвыборка Активация и оптимизаторы Нормализация и переобучение Дополнение изображений Часть 9. Архитектуры сверточных нейросетей LeNet AlexNet VGG GoogLeNet Inception ResNet ResNetXt SE-ResNet EfficientNet DenseNet MobileNet Часть практических навыков к 9 LeNet и AlexNet VGG16 и VGG19 GoogLeNet и Inception-BN Inception V3 и V4 ResNet Архитектура нейросети MobileNet для различных предметных областей Библиографический список Приложение 1. Варианты заданий для самостоятельной реализации алгоритмов машинного обучения Приложение 2. Варианты заданий для исследовательских работ в области машинного обучения Приложение 3. Варианты заданий, включающие в себя самостоятельный этап Data Mining, для построения End-To-End решений в области машинного обучения