مشخصات کتاب

Data Analysis and Machine Learning with Kaggle(2021)[][9781801817479]

ویرایش:  
نویسندگان: Massoron et al  
سری:  
ISBN (شابک) : 9781801817479 
ناشر:  
سال نشر:  
تعداد صفحات: 531 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

در صورت تبدیل فایل کتاب Data Analysis and Machine Learning with Kaggle(2021)[][9781801817479] به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تجزیه و تحلیل داده ها و یادگیری ماشین با Kaggle (2021)[][9781801817479] نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب تجزیه و تحلیل داده ها و یادگیری ماشین با Kaggle (2021)[][9781801817479]

با بینش بیش از 30 استاد و استاد بزرگ Kaggle یک قدم از رقبای خود جلوتر باشید. نکات، ترفندها و بهترین شیوه‌ها را برای رقابت مؤثر در Kaggle و تبدیل شدن به دانشمند داده بهتری کشف کنید. ویژگی های کلیدی: بیاموزید که Kaggle چگونه کار می کند و چگونه می توانید از مسابقات بیش از 30 کاگلر خبره استفاده کنید. میلیون‌ها علاقه‌مند به داده‌ها از سراسر جهان در Kaggle، معروف‌ترین پلتفرم مسابقه علم داده از همه آنها، با هم رقابت می‌کنند. شرکت در مسابقات Kaggle یک راه مطمئن برای بهبود مهارت های تجزیه و تحلیل داده های شما، ایجاد شبکه با بقیه افراد جامعه و کسب تجربه ارزشمند برای کمک به رشد حرفه شما است. اولین کتاب در نوع خود، کتاب Kaggle، تکنیک‌ها و مهارت‌هایی را که برای موفقیت در مسابقات، پروژه‌های علم داده و فراتر از آن نیاز دارید، گردآوری می‌کند. دو استاد بزرگ Kaggle شما را از طریق استراتژی‌های مدل‌سازی راهنمایی می‌کنند که به راحتی نمی‌توانید آنها را در جای دیگر پیدا کنید، و دانشی را که در این راه انباشته‌اند. علاوه بر نکات خاص Kaggle، تکنیک‌های کلی تری برای نزدیک شدن به وظایف بر اساس داده‌های تصویری، جدولی، متنی و یادگیری تقویتی را یاد خواهید گرفت. شما طرح های اعتبار سنجی بهتری طراحی خواهید کرد و با معیارهای ارزیابی مختلف راحت تر کار خواهید کرد. چه بخواهید به رتبه های Kaggle صعود کنید، مهارت های بیشتری در علم داده ایجاد کنید یا دقت مدل های موجود خود را بهبود بخشید، این کتاب برای شما مناسب است. آنچه خواهید آموخت: با Kaggle به عنوان یک پلتفرم رقابت آشنا شوید از نوت بوک ها، مجموعه داده ها و تالارهای گفتگوی Kaggle بیشترین استفاده را ببرید مجموعه ای از پروژه ها و ایده ها را برای پیشرفت بیشتر در حرفه خود ایجاد کنید. و وظایف سری زمانی به طور موثرتری طراحی طرح‌های اعتبار سنجی k-fold و احتمالاتی با معیارهای ارزیابی رایج و دیده‌نشده آشنا شوید برگزاری مسابقات شبیه‌سازی و بهینه‌سازی در Kaggle این کتاب برای چه کسی است: این کتاب برای هر کسی که تازه کار Kaggle را دارد مناسب است، کاربران کهنه کار، و هر کس در این بین. تحلیلگران داده/دانشمندانی که سعی می کنند در مسابقات Kaggle بهتر عمل کنند و شغل های ایمن با غول های فناوری داشته باشند، این کتاب را مفید خواهند یافت. درک اولیه مفاهیم یادگیری ماشین به شما کمک می کند تا از این کتاب بهترین استفاده را ببرید.

توضیحاتی درمورد کتاب به خارجی

Get a step ahead of your competitors with insights from over 30 Kaggle Masters and Grandmasters. Discover tips, tricks, and best practices for competing effectively on Kaggle and becoming a better data scientist. Key Features: Learn how Kaggle works and how to make the most of competitions from over 30 expert Kagglers Sharpen your modeling skills with ensembling, feature engineering, adversarial validation and AutoML A concise collection of smart data handling techniques for modeling and parameter tuning Book Description: Millions of data enthusiasts from around the world compete on Kaggle, the most famous data science competition platform of them all. Participating in Kaggle competitions is a surefire way to improve your data analysis skills, network with the rest of the community, and gain valuable experience to help grow your career. The first book of its kind, The Kaggle Book assembles the techniques and skills you'll need for success in competitions, data science projects, and beyond. Two Kaggle Grandmasters walk you through modeling strategies you won't easily find elsewhere, and the knowledge they've accumulated along the way. As well as Kaggle-specific tips, you'll learn more general techniques for approaching tasks based on image, tabular, and textual data, and reinforcement learning. You'll design better validation schemes and work more comfortably with different evaluation metrics. Whether you want to climb the ranks of Kaggle, build some more data science skills, or improve the accuracy of your existing models, this book is for you. What You Will Learn: Get acquainted with Kaggle as a competition platform Make the most of Kaggle Notebooks, Datasets, and Discussion forums Create a portfolio of projects and ideas to get further in your career Understand binary and multi-class classification and object detection Approach NLP and time series tasks more effectively Design k-fold and probabilistic validation schemes Get to grips with common and never-before-seen evaluation metrics Handle simulation and optimization competitions on Kaggle Who this book is for: This book is suitable for anyone new to Kaggle, veteran users, and anyone in between. Data analysts/scientists who are trying to do better in Kaggle competitions and secure jobs with tech giants will find this book useful. A basic understanding of machine learning concepts will help you make the most of this book.

فهرست مطالب

Cover
Copyright
Foreword
Contributors
Table of Contents
Preface
Part I: Introduction to Competitions
Chapter 1: Introducing Kaggle and Other Data Science Competitions
	The rise of data science competition platforms
		The Kaggle competition platform
			A history of Kaggle
		Other competition platforms
	Introducing Kaggle
		Stages of a competition
		Types of competitions and examples
		Submission and leaderboard dynamics
			Explaining the Common Task Framework paradigm
			Understanding what can go wrong in a competition
		Computational resources
			Kaggle Notebooks
		Teaming and networking
		Performance tiers and rankings
		Criticism and opportunities
	Summary
Chapter 2: Organizing Data with Datasets
	Setting up a dataset
	Gathering the data
	Working with datasets
	Using Kaggle Datasets in Google Colab
	Legal caveats
	Summary
Chapter 3: Working and Learning with Kaggle Notebooks
	Setting up a Notebook
	Running your Notebook
	Saving Notebooks to GitHub
	Getting the most out of Notebooks
		Upgrading to Google Cloud Platform (GCP)
		One step beyond
	Kaggle Learn courses
	Summary
Chapter 4: Leveraging Discussion Forums
	How forums work
	Example discussion approaches
	Netiquette
	Summary
Part II: Sharpening Your Skills for Competitions
Chapter 5: Competition Tasks and Metrics
	Evaluation metrics and objective functions
	Basic types of tasks
		Regression
		Classification
		Ordinal
	The Meta Kaggle dataset
	Handling never-before-seen metrics
	Metrics for regression (standard and ordinal)
		Mean squared error (MSE) and R squared
		Root mean squared error (RMSE)
		Root mean squared log error (RMSLE)
		Mean absolute error (MAE)
	Metrics for classification (label prediction and probability)
		Accuracy
		Precision and recall
		The F1 score
		Log loss and ROC-AUC
		Matthews correlation coefficient (MCC)
	Metrics for multi-class classification
	Metrics for object detection problems
		Intersection over union (IoU)
		Dice
	Metrics for multi-label classification and recommendation problems
		MAP@{K}
	Optimizing evaluation metrics
		Custom metrics and custom objective functions
		Post-processing your predictions
			Predicted probability and its adjustment
	Summary
Chapter 6: Designing Good Validation
	Snooping on the leaderboard
	The importance of validation in competitions
		Bias and variance
	Trying different splitting strategies
		The basic train-test split
		Probabilistic evaluation methods
			k-fold cross-validation
			Subsampling
			The bootstrap
	Tuning your model validation system
	Using adversarial validation
		Example implementation
		Handling different distributions of training and test data
	Handling leakage
Chapter 7: Modeling for Tabular Competitions
	The Tabular Playground Series
	Setting a random state for reproducibility
	The importance of EDA
		Dimensionality reduction with t-SNE and UMAP
	Reducing the size of your data
	Applying feature engineering
		Easily derived features
		Meta-features based on rows and columns
		Target encoding
		Using feature importance to evaluate your work
	Pseudo-labeling
	Denoising with autoencoders
	Neural networks for tabular competitions
	Summary
Chapter 8: Hyperparameter Optimization
	Basic optimization techniques
		Grid search
		Random search
		Halving search
	Key parameters and how to use them
		Linear models
		Support-vector machines
		Random forests and extremely randomized trees
		Gradient tree boosting
			LightGBM
			XGBoost
			CatBoost
			HistGradientBoosting
	Bayesian optimization
		Using Scikit-optimize
		Customizing a Bayesian optimization search
		Extending Bayesian optimization to neural architecture search
		Creating lighter and faster models with KerasTuner
		The TPE approach in Optuna
	Summary
Chapter 9: Ensembling with Blending and Stacking Solutions
	A brief introduction to ensemble algorithms
	Averaging models into an ensemble
		Majority voting
		Averaging of model predictions
		Weighted averages
		Averaging in your cross-validation strategy
		Correcting averaging for ROC-AUC evaluations
	Blending models using a meta-model
		Best practices for blending
	Stacking models together
		Stacking variations
	Creating complex stacking and blending solutions
	Summary
Chapter 10: Modeling for Computer Vision
	Augmentation strategies
		Keras built-in augmentations
			ImageDataGenerator approach
			Preprocessing layers
		albumentations
	Classification
	Object detection
	Semantic segmentation
	Summary
Chapter 11: Modeling for NLP
	Sentiment analysis
	Open domain Q&A
	Text augmentation strategies
		Basic techniques
		nlpaug
	Summary
Chapter 12: Simulation and Optimization Competitions
	Connect X
	Rock-paper-scissors
	Santa competition 2020
	The name of the game
	Summary
Part III: Leveraging Competitions for Your Career
Chapter 13: Creating Your Portfolio of Projects and Ideas
	Building your portfolio with Kaggle
		Leveraging Notebooks and discussions
		Leveraging Datasets
	Arranging your online presence beyond Kaggle
		Blogs and publications
		GitHub
	Monitoring competition updates and newsletters
	Summary
Chapter 14: Finding New Professional Opportunities
	Building connections with other competition data scientists
	Participating in Kaggle Days and other Kaggle meetups
	Getting spotted and other job opportunities
		The STAR approach
	Summary (and some parting words)
Other Books You May Enjoy
Index
Blank Page
Blank Page

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Tumor Angiogenesis: A Key Target for Cancer Therapy

دانلود کتاب Genetic Programming Theory and Practice II

دانلود کتاب Letters to my Fanny

دانلود کتاب Rwandas børn: en beretning

دانلود کتاب Il potere dei simboli,i simboli del potere