Джокер
Администратор
- Регистрация
- 1 Янв 2015
- Сообщения
- 146.013
- Реакции
- 78.198
Складчина: [ДМК] Конформное прогнозирование в Python [Манохин В., Груздев А.В.]
Данная книга предлагает углубленное изучение конформного прогнозирования — новейшего подхода, позволяющего управлять неопределенностью в различных задачах машинного обучения. Вы узнаете, как конформное прогнозирование создает точно откалиброванные прогнозные интервалы для регрессии и решает задачи прогнозирования временных рядов и несбалансированных данных. Практические примеры на Python, а также использование реальных наборов данных, экспертных рекомендаций и открытых библиотек обеспечат вам глубокое понимание этого подхода.
В числе рассматриваемых тем:
основные концепции и принципы конформного прогнозирования;
отличие конформного прогнозирования от традиционных методов машинного обучения;
конформное прогнозирование для несбалансированных наборов данных и многоклассовой классификации;
передовые методы измерения и управления неопределенностью в промышленных задачах;
конформный подход к оценке неопределенности в прогнозировании и NLP.
Издание предназначено специалистам по data science, инженерам по машинному обучению, ученым и всем, кто хочет улучшить свои навыки в области количественной оценки неопределенности в МО.
Для изучения материала понадобятся базовые знаниями в области машинного обучения и программирования на Python.
Издание: Цветное
Оригинальное название: Practical Guide to Applied Conformal Prediction in Python
Оригинальный правообладатель: Packt
Автор: Манохин В., Груздев А.В.
Объем, стр: ~350
ISBN: 978-5-93700-341-6
Формат: PDF
Стоимость: 1600
СКАЧАТЬ СЛИВЫ КУРСОВ
Данная книга предлагает углубленное изучение конформного прогнозирования — новейшего подхода, позволяющего управлять неопределенностью в различных задачах машинного обучения. Вы узнаете, как конформное прогнозирование создает точно откалиброванные прогнозные интервалы для регрессии и решает задачи прогнозирования временных рядов и несбалансированных данных. Практические примеры на Python, а также использование реальных наборов данных, экспертных рекомендаций и открытых библиотек обеспечат вам глубокое понимание этого подхода.
В числе рассматриваемых тем:
основные концепции и принципы конформного прогнозирования;
отличие конформного прогнозирования от традиционных методов машинного обучения;
конформное прогнозирование для несбалансированных наборов данных и многоклассовой классификации;
передовые методы измерения и управления неопределенностью в промышленных задачах;
конформный подход к оценке неопределенности в прогнозировании и NLP.
Издание предназначено специалистам по data science, инженерам по машинному обучению, ученым и всем, кто хочет улучшить свои навыки в области количественной оценки неопределенности в МО.
Для изучения материала понадобятся базовые знаниями в области машинного обучения и программирования на Python.
Издание: Цветное
Оригинальное название: Practical Guide to Applied Conformal Prediction in Python
Оригинальный правообладатель: Packt
Автор: Манохин В., Груздев А.В.
Объем, стр: ~350
ISBN: 978-5-93700-341-6
Формат: PDF
Стоимость: 1600
СКАЧАТЬ СЛИВЫ КУРСОВ
Для возможности скачивать складчины и сливы курсов нужно зарегистрироваться
Возможно, Вас ещё заинтересует:
- Супервизионная группа под руководством Уари Майди [Edunote] [Уари Майди]
- Начала практической астрологии. Занятие 6 (2021) [Константин Дараган] [Транскрибация]
- SMM-специалист [Genius Space] [Екатерина Махаева, Аня Лютко, Дарья Куличенко]
- Комплексный интернет-маркетинг [Genius Space] [Алена Кузьмина, Максим Зайченко, Елена Сергиенко]
- Webflow developer [Genius Space] [Игорь Иванченко, Роман Исаев]
- HR & Рекрутер +AI [Genius Space] [Анна Соловей, Алина Самарская, Виктория Нагорная]
- AI Video Creator [Genius Space] [София Павликовская, Ирина Губер, Анна Фока]
- Дизайнер интерьера: с нуля к первым проектам [Genius Space] [Марина Митрофанова, Елизавета Басова, Виктория Лазарчик]
- Бухгалтер ООО [Genius Space] [Лиана Кириленко, Алина Микшина, Ирина Висицкая]
- Астрология налегке (июль 2026) [Тариф Очарованный небом] [Анна Староминская, Константин Дараган]