Интерпретируемое машинное обучение на Python научитесь создавать интерпретируемые высокопроизводительные модели на практических примерах из реальной жизни : пер. с англ.

Интерпретируемое машинное обучение на Python научитесь создавать интерпретируемые высокопроизводительные модели на практических примерах из реальной жизни : пер. с англ.

Библиографическая информация
Главный автор:	Масис, Серг
Другие авторы:	Хафизов, Анвар (Редактор)
Формат:	Книга
Язык:	Russian
Публикация:	Санкт-Петербург БХВ-Петербург 2023
Предметы:	машинное обучение интерпретируемое искусственный интеллект объяснимый машинное обучение, модели машинное обучение, интерпретация интерпретация (машинное обучение), методы нейронные сети искусственные сверточные, визуализация Python, язык программирования высокоуровневый программные коды модели (машинное обучение), настройка данные тренировочные (машинное обучение), настройка данные, интерпретируемость (машинное обучение) машинное обучение в бизнесе деревья решений, модели интерпретируемые линейные модели (машинное обучение), интерпретация классификатор изображений (машинное обучение) Байеса метод наивный модели (машинное обучение), защита от атак модели (машинное обучение), безопасность

Похожие документы

Инженерия машинного обучения
по: Бурков, Андрей
Публикация: (2022)

Создание приложений машинного обучения от идеи к продукту
по: Амейзен, Эммануэль
Публикация: (2023)

Основы машинного обучения для аналитического прогнозирования алгоритмы, рабочие примеры и тематические исследования : пер. с англ.
по: Келлехер, Джон Д
Публикация: (2019)

Машинное обучение с использованием Python сборник рецептов : [практические решения от предобработки до глубокого обучения] : пер. с англ.
по: Элбон, Крис
Публикация: (2022)

Физически информированное машинное обучение
по: Берцун, Артемий Николаевич

Вероятностное машинное обучение введение
по: Мэрфи, Кэвин Патрик
Публикация: (2023)

Рандомизированное машинное обучение при ограниченных объемах данных. От эмпирической вероятности к энтропийной рандомизации [монография]
по: Попков, Юрий Соломонович 1937-
Публикация: (2019)

Математические основы машинного обучения и прогнозирования
по: Вьюгин, Владимир Вячеславович
Публикация: (2018)

Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных
по: Флах, Петер
Публикация: (2015)

Обнаружение аномалий технологических сигналов с использованием ансамбля классификаторов и вейвлет-преобразований
по: Мурзагулов, Дамир Альбертович

Введение в машинное обучение с помощью Python руководство для специалистов по работе с данными
по: Мюллер, Андреас
Публикация: (2019)

Применение неконтролируемой кластеризации выборок для повышения качественных показателей многоуровневых моделей обработки данных
по: Лебедев, Илья Сергеевич

Анализ данных в экономике: теория вероятностей, прикладная статистика, обработка и визуализация данных в Microsoft Excel [учебник для направления бакалавриата "Экономика и управление"]
по: Соловьев, Владимир Игоревич
Публикация: (2023)

Python и машинное обучение машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow : пер. с англ.
по: Рашка, Себастьян
Публикация: (2019)

Распознавание неполных последовательностей, описываемых скрытыми марковскими моделями, в пространстве первых производных от логарифма функции правдоподобия
по: Уваров, Вадим Евгеньевич

Анализ нейронных сетей в телемедицине
по: Кузнецов, Денис Николаевич

Компьютерное зрение. Современные методы и перспективы развития
Публикация: (2022)

Алгоритмы построения нечетких классификаторов несбалансированных данных на основе метаэвристик "гравитационный поиск" и "прыгающие лягушки": диссертация ... кандидата технических наук: 05.13.17/
по: Бардамова, М. Б. Марина Борисовна
Публикация: (2021)

Алгоритмы построения нечетких классификаторов несбалансированных данных на основе метаэвристик "гравитационный поиск" и "прыгающие лягушки": автореферат диссертации ... кандидата технических наук: 05.13.17/
по: Бардамова, М. Б. Марина Борисовна
Публикация: (2021)

Обучение с подкреплением для реальных задач. Инженерный подход [для аналитиков данных и специалистов по искусственному интеллекту] : пер. с англ.
по: Уиндер, Фил
Публикация: (2023)

Методы и алгоритмы сегментации медицинских изображений на основе машинного обучения автореферат диссертации на соискание ученой степени кандидата технических наук спец. 05.13.01
по: Данилов, В. В. специалист в области информатики и вычислительной техники инженер Томского политехнического университета 1989-
Публикация: (2020)

Глубокое обучение с R и Keras Франсуа Шолле ; при участии Томаша Калиновски и Дж. Дж. Аллера ; пер. с англ. В. С. Яценкова
по: Шолле, Франсуа
Публикация: (2023)

Tradeoff search methods between interpretability and accuracy of the identification fuzzy systems based on rules
по: Yankovskaya, Anna Efimovna

Assessing trustworthiness of IoT applications using logic circuits
по: Laputenko, Andrey V.

Алгоритм предсказания продаж с использованием технологий машинного обучения
по: Гайдук, Кристина Алексеевна

Diffuse reflectance and machine learning techniques to differentiate colorectal cancer ex vivo

Примеры использования машинного обучения для разработки инструментов управления приемной кампанией и учебным процессом вуза

Разработка моделей, алгоритмов и программ диагностики функционирования технических объектов с использованием агрегированных классификаторов: автореферат диссертации ... кандидата технических наук: 05.13.18/
по: Жуков, Д. А. Дмитрий Анатольевич
Публикация: (2019)

Эффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных
по: Монарев, Виктор Александрович

Оценка предиктивного потенциала факторов сердечно-сосудистого риска и их ассоциаций с жесткостью артерий у лиц европейской и корейской этнических групп

О методе машинного обучения для обнаружения аномалий в SQL-запросах
по: Мурзина, Александра Ивановна

Modern applications of machine learning
по: Sibirtseva, V. O.

Обнаружение аномалий в составных объектах в формате JSON
по: Шляхтина, Елена Анатольевна

Application of machine learning algorithms and laser absorption spectroscopy to solve the problem of determining components with a low concentration in multicomponent gas mixtures
по: Prischepa, Vladimir V.

Predictive models for COVID-19 detection using routine blood tests and machine learning

Implementation of data fusion to increase the efficiency of classification of precancerous skin states using in vivo bimodal spectroscopic technique

Application of k-means clustering and histogram analysis to automate preprocessing of images of discomycetes obtained in the habitat
по: Filimonova, Darya A.

Возможности использования цифровых следов для прогнозирования образовательных достижений студентов

Метод прогнозирования дефектов в компонентах программного обеспечения на основе метрик исходного кода: автореферат диссертации ... кандидата технических наук: 05.13.01/
по: Кирносенко, С. И. Семен Игоревич
Публикация: (2012)

Автоматизация науки. Концептуальный взгляд
по: Хамдамов, Тимур Владимирович