مشخصات کتاب

Hands-On Gradient Boosting with XGBoost and scikit-learn: Perform accessible Python machine learning and extreme gradient boosting with Python

ویرایش:  
نویسندگان: Corey Wade  
سری:  
ISBN (شابک) : 9781839218354 
ناشر: PACKT Publishing LTD 
سال نشر: 2020 
تعداد صفحات:  
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 Mb 

در صورت تبدیل فایل کتاب Hands-On Gradient Boosting with XGBoost and scikit-learn: Perform accessible Python machine learning and extreme gradient boosting with Python 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 تقویت گرادیان دستی با XGBoost و scikit-learn: یادگیری ماشین پایتون در دسترس و تقویت گرادیان شدید را با پایتون انجام دهید 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 تقویت گرادیان دستی با XGBoost و scikit-learn: یادگیری ماشین پایتون در دسترس و تقویت گرادیان شدید را با پایتون انجام دهید

با ساخت مدل‌های قوی XGBoost با استفاده از Python و scikit-learn برای استقرار آشنا شوید. ویژگی‌های کلیدی با یادگیری ماشینی راه‌اندازی کنید و بدانید که چگونه می‌توانید مدل‌ها را در کمترین زمان با XGBoost تقویت کنید، خطوط لوله یادگیری ماشینی در دنیای واقعی بسازید و فراپارامترها را دقیق تنظیم کنید نتایج بهینه نکات و ترفندها را کشف کنید و بینش های نوآورانه ای را از برندگان XGBoost کسب کنید Kaggle شرح کتاب XGBoost یک کتابخانه نرم افزاری منبع باز و اثبات شده در صنعت است که چارچوبی برای تقویت گرادیان برای مقیاس گذاری سریع و کارآمد میلیاردها نقطه داده ارائه می دهد. این کتاب، یادگیری ماشین و XGBoost را قبل از ایجاد تئوری در پشت افزایش گرادیان، در یادگیری scikit معرفی می‌کند. درخت‌های تصمیم را پوشش می‌دهید و بسته‌بندی را در زمینه یادگیری ماشینی تجزیه و تحلیل می‌کنید، و فراپارامترهایی را یاد می‌گیرید که در طول مسیر تا XGBoost گسترش می‌یابند. مدل‌های تقویت گرادیان را از ابتدا می‌سازید و تقویت گرادیان را به داده‌های بزرگ گسترش می‌دهید در حالی که محدودیت‌های سرعت را با استفاده از تایمرها تشخیص می‌دهید. جزئیات در XGBoost با تمرکز بر افزایش سرعت و استخراج پارامترها به صورت ریاضی بررسی می شود. با کمک مطالعات موردی دقیق، ساخت و تنظیم دقیق طبقه‌بندی‌کننده‌ها و رگرسیون‌های XGBoost را با استفاده از scikit-learn و API اصلی Python تمرین خواهید کرد. شما از فراپارامترهای XGBoost برای بهبود نمرات، تصحیح مقادیر گمشده، مقیاس‌بندی مجموعه داده‌های نامتعادل و تنظیم دقیق یادگیرندگان پایه جایگزین استفاده خواهید کرد. در نهایت، شما از تکنیک‌های پیشرفته XGBoost مانند ساخت مجموعه‌های غیرهمبسته، مدل‌های انباشته، و آماده‌سازی مدل‌ها برای استقرار صنعت با استفاده از ماتریس‌های پراکنده، ترانسفورماتورهای سفارشی‌شده و خطوط لوله استفاده خواهید کرد. تا پایان کتاب، می‌توانید با استفاده از XGBoost مدل‌های یادگیری ماشینی با عملکرد بالا را با حداقل خطا و حداکثر سرعت بسازید. آنچه یاد خواهید گرفت ساخت مدل های تقویت گرادیان از ابتدا توسعه رگرسیورها و طبقه بندی های XGBoost با دقت و سرعت تجزیه و تحلیل واریانس و بایاس از نظر تنظیم دقیق فراپارامترهای XGBoost تصحیح خودکار مقادیر گمشده و مقیاس داده های نامتعادل استفاده از یادگیرنده های پایه جایگزین مانند دارت، مدل های خطی و جنگل‌های تصادفی XGBoost سفارشی‌سازی ترانسفورماتورها و خطوط لوله برای استقرار مدل‌های XGBoost، مجموعه‌های غیرهمبسته بسازید و مدل‌های XGBoost را برای افزایش دقت روی هم قرار دهید. مدل های یادگیری ماشینی که با داده های بزرگ مقیاس می شوند. تسلط به پایتون به همراه درک اولیه جبر خطی به شما کمک می کند تا از این کتاب بیشترین بهره را ببرید.

توضیحاتی درمورد کتاب به خارجی

Get to grips with building robust XGBoost models using Python and scikit-learn for deployment Key Features Get up and running with machine learning and understand how to boost models with XGBoost in no time Build real-world machine learning pipelines and fine-tune hyperparameters to achieve optimal results Discover tips and tricks and gain innovative insights from XGBoost Kaggle winners Book Description XGBoost is an industry-proven, open-source software library that provides a gradient boosting framework for scaling billions of data points quickly and efficiently. The book introduces machine learning and XGBoost in scikit-learn before building up to the theory behind gradient boosting. You'll cover decision trees and analyze bagging in the machine learning context, learning hyperparameters that extend to XGBoost along the way. You'll build gradient boosting models from scratch and extend gradient boosting to big data while recognizing speed limitations using timers. Details in XGBoost are explored with a focus on speed enhancements and deriving parameters mathematically. With the help of detailed case studies, you'll practice building and fine-tuning XGBoost classifiers and regressors using scikit-learn and the original Python API. You'll leverage XGBoost hyperparameters to improve scores, correct missing values, scale imbalanced datasets, and fine-tune alternative base learners. Finally, you'll apply advanced XGBoost techniques like building non-correlated ensembles, stacking models, and preparing models for industry deployment using sparse matrices, customized transformers, and pipelines. By the end of the book, you'll be able to build high-performing machine learning models using XGBoost with minimal errors and maximum speed. What you will learn Build gradient boosting models from scratch Develop XGBoost regressors and classifiers with accuracy and speed Analyze variance and bias in terms of fine-tuning XGBoost hyperparameters Automatically correct missing values and scale imbalanced data Apply alternative base learners like dart, linear models, and XGBoost random forests Customize transformers and pipelines to deploy XGBoost models Build non-correlated ensembles and stack XGBoost models to increase accuracy Who this book is for This book is for data science professionals and enthusiasts, data analysts, and developers who want to build fast and accurate machine learning models that scale with big data. Proficiency in Python, along with a basic understanding of linear algebra, will help you to get the most out of this book.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب A History of Education for Citizenship

دانلود کتاب Transportation Infrastructure Security Utilizing Intelligent Transportation Systems

دانلود کتاب Supervisory Control and Scheduling of Resource Allocation Systems: Reachability Graph Perspective

دانلود کتاب Thomas Hardy's Legal Fictions

دانلود کتاب Los desafíos de la sociedad digital en el mundo contemporáneo