Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-learn. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.
Kniga soderzhit okolo 200 retseptov reshenija prakticheskikh zadach mashinnogo obuchenija, takikh kak zagruzka i obrabotka tekstovykh ili chislovykh dannykh, otbor modeli, umenshenie razmernosti i mnogie drugie. Rassmotrena rabota s jazykom Python i ego bibliotekami, v tom chisle pandas i scikit-learn. Reshenija vsekh zadach soprovozhdajutsja podrobnymi objasnenijami. Kazhdyj retsept soderzhit rabotajuschij programmnyj kod, kotoryj mozhno vstavljat, obedinjat i adaptirovat, sozdavaja sobstvennoe prilozhenie.Privedeny retsepty reshenij s ispolzovaniem: vektorov, matrits i massivov; obrabotki dannykh, teksta, izobrazhenij, dat i vremeni; umenshenija razmernosti i metodov vydelenija ili otbora priznakov; otsenivanija i otbora modelej; linejnoj i logisticheskoj regressii, derevev, lesov i k blizhajshikh sosedej; oporno-vektornykh mashin (SVM), naivnykh bajesovykh klassifikatorov, klasterizatsii i nejronnykh setej; sokhranenija i zagruzki natrenirovannykh modelej.
