Артем Владимирович Груздев
Жанры и тэги:
Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес
Данная книга представляет собой практическое руководство по применению метода деревьев решений и случайного леса для задач сегментации, классификации …
ПодробнееИзучаем pandas. Высокопроизводительная обработка и анализ данных в Python
Библиотека pandas – популярный пакет для анализа и обработки данных на языке Python. Он предлагает эффективные, быстрые, высокопроизводительные структ…
ПодробнееПредварительная подготовка данных в Python. Том 1. Инструменты и валидация
В двухтомнике представлены материалы по применению классических методов машинного обучения в различных промышленных задачах. Первый том посвящен инстр…
ПодробнееЛогистическая регрессия. Математический аппарат, программные реализации методов оценивания, примеры развертывания моделей с помощью Streamlit, Streamlit Cloud, Docker, FastAPI и Flask
В книге рассказывается о математическом аппарате логистической регрессии, способах интерпретации регрессионных коэффициентов, даются программные реали…
ПодробнееПредварительная подготовка данных в Python. Том 2. План, примеры и метрики качества
В двухтомнике представлены материалы по применению классических методов машинного обучения в различных промышленных задачах. Во втором томе рассматрив…
ПодробнееПрогнозирование временных рядов с помощью Facebook Prophet, ETNA, Sktime и LinkedIn Greykite
Книга посвящена популярным библиотекам прогнозирования временных рядов Prophet, sktime, ETNA и Greykite. Разбирается математический аппарат и API кажд…
ПодробнееStreamlit для Data Science. Создаем интерактивные приложения в Python
Если вы работаете с данными на Python и хотите создавать высококачественные приложения, демонстрирующие модели машинного обучения и генерирующие краси…
ПодробнееГрафовые нейронные сети на Python
Графовые нейронные сети стали одной из самых интересных архитектур в глубоком обучении. Технологические компании теперь пытаются применить их повсюду:…
Подробнее






