Джокер
Администратор
- Регистрация
- 1 Янв 2015
- Сообщения
- 146.028
- Реакции
- 78.199
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:
- Красота изнутри. Лекция 10. Изменение поведения (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 11. Женская и мужская энергия (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 3. Женская дружба (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 4. Женские идеалы — на кого быть похожей? (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 5. Женская конкуренция (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 6. Женская агрессия (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 7. Настройка на красоту (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 8. Изменение состояния (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 1. Боевая подруга (2020) [Нина Рубштейн] [Повтор]
- Красота изнутри. Лекция 2. Женские инициации-2: увядание (2020) [Нина Рубштейн] [Повтор]