Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования

Джон Д. Келлехер, Брайан Мак-Нейми, Аоифе д'Арси

Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies (MIT Press)
John D. Kelleher, Brian Mac Namee, Aoife D'Arcy
книга Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования
(увеличить обложку)

Где купить книгу

Оглавление
Введение
Пролистать книгу

Книга представляет собой учебник по машинному обучению с акцентом на коммерческие приложения. Она предлагает подробное описание наиболее важных подходов к машинному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса.

В книге рассмотрены информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. В книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.

Книга может использоваться как учебник для студентов и аспирантов, специализирующихся в области машинного обучения, информатики, инженерии, математики и статистики, а также как справочник для профессионалов.

Машинное обучение часто используется для построения прогностических моделей путем извлечения шаблонов из больших наборов данных.

Эти модели используются в приложениях для прогнозирования данных, включая прогнозирование цен, оценку риска, прогнозирование поведения клиентов и классификацию документов. Этот вводный учебник предлагает подробное и целенаправленное рассмотрение наиболее важных подходов к компьютерному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса.

После обсуждения перехода от подготовки данных до понимания решения, в книге описываются четыре подхода к компьютерному обучению: информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. Наконец, в книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.

Книга является результатом многолетней работы авторов в области машинного обучения и интеллектуального анализа данных и подходит для использования студентами в области информатики, инженерии, математики или статистики, аспирантами, специализирующимися в областях, связанных с интеллектуальным анализом данных, а также профессионалами в качестве справочника.

"Книга написана учеными, но тесно связана с практикой. Действительно, интеллектуальный анализ данных и машинное обучение идут рука об руку: грубо говоря, прогнозирование зависит от обучения на прошлых примерах. И хотя Основы — это всеобъемлющий университетский учебник, авторы также признают, что интеллектуальный анализ данных является самым быстро развивающимся коммерческим применением машинного обучения. Благодаря этому данный чрезвычайно познавательный опус позволяет осветить концепции в тесной связи с отраслевыми тематическими исследованиями и передовыми методами, гарантируя, что вы ознакомитесь с лучшими практиками и сценариями использования и не заблудитесь в абстракциях".

Эрик Сигель (Eric Siegel), доктор философии, основатель компании Predictive Analytics World; автор книги Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die.

"В этой книге представлены превосходные описания ключевых методов, используемых в аналитическом прогнозировании. Однако уникальная ценность книги — понимание, которое она дает для практического применения этих методов. Тематические исследования и разделы по подготовке данных и качеству данных отражают реальные проблемы в эффективном использовании интеллектуальных аналитических средств".

Падрейг Каннингем (Padreig Cunningham), профессор информатики и информатики, Школа компьютерных наук, Университетский колледж Дублина; один из редакторов книги Machine Learning Techniques for Multimedia.

"Это замечательная самодостаточная книга, затрагивающая основные аспекты машинного обучения и представляющая их в ясном и интуитивно понятном свете. Авторы начинают с изложения основных идей и заканчивают более сложными информационными, вероятностными, статистическими и оптимизационными концепциями, делая акцент на том, как превратить бизнес-проблему в аналитическое решение, а также описывают соответствующие тематические исследования и приводят иллюстрации. Эта книга представляет собой легкое и увлекательное чтение, которое я рекомендую всем, кто заинтересован в том, чтобы узнать больше о механизмах машинного обучения и его приложениях для аналитического прогнозирования".

Натали Япковиц (Nathalie Japkowicz), профессор компьютерных наук, Университет Оттавы; соавтор книги Evaluating Learning Algorithms: A Classification Perspective.

Книга обсуждается в отдельном сообщении в блоге Виктора Штонда.

Об авторах

Джон Келлехер лектор в Дублинском технологическом институте и член-учредитель Исследовательского центра прикладного анализа DIT.

Брайан Мак-Нейми является преподавателем Университетского колледжа в Дублине.

Аоифе д'Арси генеральный директор The Analytics Store, консалтинговой компании по анализу данных и анализу данных.


656, c ил стр., с ил.; ISBN 978-5-6040044-9-4, 978-0-262-02944-5; формат 70x100/16; твердый переплет; тип бумаги: офсетная; 30.04.2019; Вильямс.



Понравилась книга? Порекомендуйте её друзьям и коллегам:







Разделы каталога:



Оглавление книги "Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования"


Предисловие 12
Обозначения 19
Глава 1. Методы машинного обучения для аналитического прогнозирования 23
Глава 2. Данные — выводы — решения 45
Глава 3. Изучение данных 81
Глава 4. Информационное обучение 149
Глава 5. Обучение на основе сходства 217
Глава 6. Вероятностное обучение 291
Глава 7. Обучение на основе ошибок 371
Глава 8. Оценивание 449
Глава 9. Тематический пример: отток клиентов 521
Глава 10. Тематический пример: классификация галактик 545
Глава 11. Искусство машинного обучения для аналитического
прогнозирования 577
Приложение А. Описательная статистика и визуализация данных
для машинного обучения 593
Приложение Б. Введение в теорию вероятностей 609
Приложение В. Правила дифференцирования 619
Библиография 625
Список рисунков 631
Список таблиц 645
Предметный указатель 652


Copyright © 1992-2020 Издательская группа "Диалектика-Вильямс"

Rambler  Top100