Крупномасштабное машинное обучение вместе с Python

This document was uploaded by one of our users. The uploader already confirmed that they had the permission to publish it. If you are author/publisher or own the copyright of this documents, please report to us by using this DMCA report form.

Simply click on the Download Book button.

Yes, Book downloads on Ebookily are 100% Free.

Sometimes the book is free on Amazon As well, so go ahead and hit "Search on Amazon"

Учитесь быстро создавать мощные модели машинного обучения и развертывать крупномасштабные приложения прогнозирования! С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Книга «Крупномасштабное машинное обучение на языке Python» открывает новую волну алгоритмов машинного обучения, которые удовлетворяют требованиям масштабируемости, а также высокой прогнозной точности. В первую очередь, мы начинаем с семейства алгоритмов машинного обучения, которые считаются масштабируемыми. С этим семейством алгоритмов мы проведем вас через три уровня масштабируемости. Первый уровень посвящен всему, что касается ускорения алгоритмов, которые могут использоваться на настольном компьютере. Мы предоставим советы относительно параллелизации и выделения памяти. Второй уровень касается более новых алгоритмов, которые специально предназначены для масштабируемости и могут обрабатывать большие файлы. Третий уровень непосредственно связан с машинным обучением в окружении больших данных. Мы также охватим самые эффективные методы машинного обучения в вычислительной парадигме MapReduce на платформах Hadoop и Spark на языке Python.

Author(s): Бастиан Шарден, Лука Массарон, Альберто Боскетти
Edition: 1
Publisher: ДМК Пресс
Year: 2017

Language: Russian
Commentary: Scanned PDF
Pages: 358
City: М.
Tags: Machine Learning; Neural Networks; Deep Learning; Unsupervised Learning; Python; Convolutional Neural Networks; Clustering; Support Vector Machines; Apache Spark; Keras; TensorFlow; Stream Processing; Scalability; Apache Hadoop; HDFS; MapReduce; Hyperparameter Tuning; scikit-learn; NumPy; matplotlib; pandas; PySpark; Apache YARN; H2O; SciPy; Distributed Processing