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.
Il n'y a pas encore de discussion sur ce livre
Soyez le premier à en lancer une !
Si certaines sont impressionnantes et effrayantes, d'autres sont drôles et rassurantes !
A gagner : la BD jeunesse adaptée du classique de Mary Shelley !
Caraïbes, 1492. "Ce sont ceux qui ont posé le pied sur ces terres qui ont amené la barbarie, la torture, la cruauté, la destruction des lieux, la mort..."
Un véritable puzzle et un incroyable tour de force !
