Nouveauté
Scienza dei Dati attraverso Python. Tecniche di Apprendimento Supervisionato: KNN, SVM, Bayes Naive, Bagging, Boosting, Stacking e Reti Neurali. DATA SCIENCE
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format ePub est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- FormatePub
- ISBN8232216894
- EAN9798232216894
- Date de parution17/11/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurHamza elmir
Résumé
Gli algoritmi di scienza dei dati utilizzano metodi computazionali per estrarre informazioni direttamente dai dati. L'apprendimento automatico utilizza due tipi di tecniche: l'apprendimento supervisionato, che si inserisce in un modello con dati di ingresso e uscita conosciuti per poter prevedere i risultati futuri, e l'apprendimento non supervisionato, che trova utenti nascosti o strutture intrinseche ai dati di ingresso.
La maggior parte delle tecniche di apprendimento supervisionate sono state sviluppate lungo questo libro da un punto di vista metodologico e da un punto di vista pratico con applicazioni attraverso il software Python. Si approfondisce nelle seguenti tecniche: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Metodi di assemblaggio, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Reti neuronali, Perceptrón Multicapa, Reti di Base Radial, Reti di Hopfield, Reti LSTM, Reti ricorrenti RNN, Reti GRU e Reti Neuronali per la previsione delle serie temporali.
La maggior parte delle tecniche di apprendimento supervisionate sono state sviluppate lungo questo libro da un punto di vista metodologico e da un punto di vista pratico con applicazioni attraverso il software Python. Si approfondisce nelle seguenti tecniche: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Metodi di assemblaggio, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Reti neuronali, Perceptrón Multicapa, Reti di Base Radial, Reti di Hopfield, Reti LSTM, Reti ricorrenti RNN, Reti GRU e Reti Neuronali per la previsione delle serie temporali.
Gli algoritmi di scienza dei dati utilizzano metodi computazionali per estrarre informazioni direttamente dai dati. L'apprendimento automatico utilizza due tipi di tecniche: l'apprendimento supervisionato, che si inserisce in un modello con dati di ingresso e uscita conosciuti per poter prevedere i risultati futuri, e l'apprendimento non supervisionato, che trova utenti nascosti o strutture intrinseche ai dati di ingresso.
La maggior parte delle tecniche di apprendimento supervisionate sono state sviluppate lungo questo libro da un punto di vista metodologico e da un punto di vista pratico con applicazioni attraverso il software Python. Si approfondisce nelle seguenti tecniche: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Metodi di assemblaggio, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Reti neuronali, Perceptrón Multicapa, Reti di Base Radial, Reti di Hopfield, Reti LSTM, Reti ricorrenti RNN, Reti GRU e Reti Neuronali per la previsione delle serie temporali.
La maggior parte delle tecniche di apprendimento supervisionate sono state sviluppate lungo questo libro da un punto di vista metodologico e da un punto di vista pratico con applicazioni attraverso il software Python. Si approfondisce nelle seguenti tecniche: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Metodi di assemblaggio, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Reti neuronali, Perceptrón Multicapa, Reti di Base Radial, Reti di Hopfield, Reti LSTM, Reti ricorrenti RNN, Reti GRU e Reti Neuronali per la previsione delle serie temporali.
