Practical Machine Learning for Streaming Data with Python: Design, Develop, and Validate Online Learning Models

با استفاده از چارچوب Scikit-Multiflow مدل‌های یادگیری ماشین را با جریان داده طراحی، توسعه و اعتبارسنجی کنید. این کتاب یک راهنمای شروع سریع برای دانشمندان داده و مهندسان یادگیری ماشین است که به دنبال پیاده‌سازی مدل‌های یادگیری ماشینی برای پخش جریانی داده‌ها با پایتون برای ایجاد بینش در زمان واقعی هستند.

شما با مقدمه‌ای بر جریان داده، چالش‌های مختلف مرتبط با آن، برخی از برنامه‌های تجاری در دنیای واقعی و تکنیک‌های مختلف پنجره‌سازی شروع می‌کنید. سپس الگوریتم‌های یادگیری افزایشی و آنلاین و مفهوم ارزیابی مدل با داده‌های جریانی را بررسی کرده و با چارچوب Scikit-Multiflow در پایتون آشنا می‌شوید. در ادامه مروری بر الگوریتم‌های مختلف تشخیص تغییر/تشخیص رانش مفهومی و پیاده‌سازی مجموعه‌های داده مختلف با استفاده از Scikit-Multiflow انجام می‌شود.

مقدمه‌ای بر الگوریتم‌های مختلف نظارت‌شده و بدون نظارت برای جریان داده‌ها، و اجرای آن‌ها در مجموعه داده های مختلف با استفاده از پایتون نیز پوشش داده شده است. این کتاب با پوشش مختصر سایر ابزارهای منبع باز موجود برای پخش داده‌ها مانند Spark، MOA (تحلیل آنلاین عظیم)، کافکا و موارد دیگر به پایان می‌رسد.

Design, develop, and validate machine learning models with streaming data using the Scikit-Multiflow framework. This book is a quick start guide for data scientists and machine learning engineers looking to implement machine learning models for streaming data with Python to generate real-time insights. 

You'll start with an introduction to streaming data, the various challenges associated with it, some of its real-world business applications, and various windowing techniques. You'll then examine incremental and online learning algorithms, and the concept of model evaluation with streaming data and get introduced to the Scikit-Multiflow framework in Python. This is followed by a review of the various change detection/concept drift detection algorithms and the implementation of various datasets using Scikit-Multiflow.

Introduction to the various supervised and unsupervised algorithms for streaming data, and their implementation on various datasets using Python are also covered. The book concludes by briefly covering other open-source tools available for streaming data such as Spark, MOA (Massive Online Analysis), Kafka, and more.

What You'll Learn

• Understand machine learning with streaming data concepts
• Review incremental and online learning
• Develop models for detecting concept drift
• Explore techniques for classification, regression, and ensemble learning in streaming data contexts
• Apply best practices for debugging and validating machine learning models in streaming data context
• Get introduced to other open-source frameworks for handling streaming data.