为AI开发人员的集成学习从历史概述开始,并解释关键的集成技术和为什么需要它们。然后,您将学习如何使用bagging、bootstrap聚合、随机森林模型和交叉验证方法更改训练数据。作者Kumar和Jain提供了最佳实践来指导您结合模型和使用工具来提高机器学习项目的性能。它们会教你如何有效地实现集成概念,如堆叠和推进,以及如何利用流行库,如Keras、Scikit Learn、TensorFlow、PyTorch和Microsoft LightGBM。在不同的数据科学问题,包括时间序列数据、成像数据和NLP中,提出了集成学习的一些技巧。讨论了近年来在集成学习方面的研究进展。示例代码以脚本和IPython笔记本的形式提供。

成为VIP会员查看完整内容
90

相关内容

专知会员服务
68+阅读 · 2020年7月21日
【2020新书】单机搞AI、数据科学和物联网,323页pdf
专知会员服务
50+阅读 · 2020年7月20日
【2020新书】Python金融大数据分析宝典,426页pdf与代码
专知会员服务
150+阅读 · 2020年7月11日
专知会员服务
54+阅读 · 2020年7月4日
【2020新书】从Excel中学习数据挖掘,223页pdf
专知会员服务
90+阅读 · 2020年6月28日
【干货书】机器学习Python实战教程,366页pdf
专知会员服务
338+阅读 · 2020年3月17日
《AutoML:方法,系统,挑战》新书免费下载
新智元
24+阅读 · 2019年5月28日
常用的模型集成方法介绍:bagging、boosting 、stacking
sklearn集成学习:如何调参?
北京思腾合力科技有限公司
9+阅读 · 2017年10月20日
机器学习(17)之集成学习原理总结
机器学习算法与Python学习
19+阅读 · 2017年9月16日
Arxiv
101+阅读 · 2020年3月4日
Arxiv
20+阅读 · 2019年9月7日
Learning to Focus when Ranking Answers
Arxiv
5+阅读 · 2018年8月8日
VIP会员
相关主题
相关VIP内容
微信扫码咨询专知VIP会员