Les algorithmes de science des données utilisent des méthodes de calcul pour extraire des informations directement des données. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues afin qu'il puisse prédire les résultats futurs, et l'apprentissage non supervisé, qui trouve des modèles cachés ou des structures intrinsèques dans les données d'entrée. La plupart des techniques d'apprentissage supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et d'un point de vue pratique avec des applications via le logiciel Python. Les techniques suivantes sont explorées en profondeur : voisin le plus proche (kNN), machine à vecteurs de support (SVM), Bayes naïf, méthodes d'ensemble, bagging, boosting, vote, empilement, mélange, forêt aléatoire, réseaux de neurones, perceptron multicouche, réseaux à base radiale, réseaux Hopfield, réseaux LSTM, réseaux récurrents RNN, réseaux GRU et réseaux de neurones pour la prédiction de séries temporelles.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.