Gradient Boosting : exploitez les arbres de décision pour le machine learning : XGBoost, CatBoost, LightGBM
Ce livre sur les méthodes de Gradient Boosting est destiné aux étudiants, universitaires, ingénieurs, data scientist qui souhaitent découvrir en profondeur le fonctionnement de cette technique de Machine Learning utilisée pour construire des ensembles d arbres de décision. Tous les concepts sont ill...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Livre numérique |
| Lenguaje: | Français |
| Publicado: |
St-Herblain :
Editions ENI
2022.
|
| Colección: | Epsilon
|
| Materias: | |
| Acceso en línea: | Accès Université d'Orléans |
| Nota: |
Date de mise en ligne : 9 mars 2022 Description d'après la consultation, 2022-06-03 La pagination de l'édition imprimée correspondante est : 258 p. ENI (ebooks) |
| Autres localisations: | Voir dans le Sudoc |
| Edition sous un autre format: | • Gradient boosting, exploitez les arbres de décision pour le machine learning (XGBoost, CatBoost, LightGBM), [Guillaume Saupin], 2022, St Herblain, Éditions ENI, 1 vol. (258 p.), Epsilon, 978-2-409-03402-2 |
| Sumario: | Ce livre sur les méthodes de Gradient Boosting est destiné aux étudiants, universitaires, ingénieurs, data scientist qui souhaitent découvrir en profondeur le fonctionnement de cette technique de Machine Learning utilisée pour construire des ensembles d arbres de décision. Tous les concepts sont illustrés par des exemples de code applicatif. Ils permettent au lecteur de reconstruire from scratch sa propre librairie d entraînement des méthodes de Gradient Boosting. En parallèle, le livre présente les bonnes pratiques de la Data Science et apporte au lecteur un solide bagage technique pour construire des modèles de Machine Learning. Après une présentation des principes du Gradient Boosting citant les cas d application, les avantages et les limites, le lecteur s imprègne des détails de la théorie mathématique. Une implémentation simple est donnée afin d en illustrer le fonctionnement. Le lecteur est ensuite armé pour aborder la mise en application et la configuration de ces méthodes. Préparation des données, entraînement, explication d un modèle, gestion de l Hyper Parameter Tuning et utilisation des fonctions objectifs sont couverts en détail ! Les derniers chapitres du livre élargissent le sujet vers l application du Gradient Boosting pour les séries temporelles, la présentation des bibliothèques emblématiques XGBoost, CatBoost et LightGBM ainsi que sur le concept de modèle multi-résolution. Des éléments complémentaires sont en téléchargement sur le site www.editions-eni.fr |
|---|---|
| Notas: | Date de mise en ligne : 9 mars 2022 Description d'après la consultation, 2022-06-03 La pagination de l'édition imprimée correspondante est : 258 p. ENI (ebooks) |
| ISBN: | 9782409034039 |
| Acceso: | Accès en ligne réservé aux établissements ou bibliothèques ayant souscrit l abonnement |