Раздел 7 / 9

Страница 94 / 116

Часть III. АНАЛИЗ ФРЕЙМОВ ДАННЫХ

Режим постраничного просмотра

/

На первую страницу

На предыдущую главу

На следующую главу

На последнюю страницу

Озвучивание недоступно

/

Внимание! Для озвучивания и цитирования книги перейдите в режим постраничного просмотра.

Режим постраничного просмотра

Для продолжения работы требуется Регистрация

На предыдущую главу

На следующую главу

Скачать приложение

Машинное обучение в Elastic Stack

Оглавление

От издательства

Об авторах

О рецензентах

Предисловие

Часть I. ЗНАКОМСТВО С МАШИННЫМ ОБУЧЕНИЕМ И ELASTIC STACK +

Часть II. АНАЛИЗ ВРЕМЕННЫХ РЯДОВ - ОБНАРУЖЕНИЕ И ПРОГНОЗИРОВАНИЕ АНОМАЛИЙ +

Часть III. АНАЛИЗ ФРЕЙМОВ ДАННЫХ -

Глава 9. Введение в анализ фреймов данных

Технические требования

Основы преобразования данных

Чем полезны преобразования?

Анатомия преобразований

Использование преобразований для анализа заказов интернет-магазина

Более сложные конфигурации сводной таблицы и агрегирования

Различие между пакетными и непрерывными преобразованиями

Анализ данных социальных сетей с помощью непрерывных преобразований

Использование Painless для расширенных конфигураций преобразования

Знакомство с Painless

Совместное использование Python и Elasticsearch

Краткий обзор клиентов Python Elasticsearch

Заключение

Дополнительная литература

Переменные, операторы и управление выполнением

Зачем нам нужен Eland?

Знакомство с Eland

Глава 10. Обнаружение выбросов

Технические требования

Принцип работы механизма обнаружения выбросов

Обзор четырех методов обнаружения выбросов

Оценка влияния характеристики

Чем обнаружение выбросов отличается от обнаружения аномалий?

Применение обнаружения выбросов на практике

Оценка качества обнаружения выбросов с помощью API Evaluate

Настройка гиперпараметров для обнаружения выбросов

Заключение

Методы, основанные на расстоянии

Методы, основанные на плотности

Как рассчитывается оценка влияния характеристик для каждой точки?

Сравнение вероятностных моделей и экземпляров

Подсчет оценок

Характеристики данных

Потоковая и пакетная обработка

Глава 11. Классификационный анализ

Технические требования

Классификация: от данных к обученной модели

Классифицирующие модели учатся на данных

Конструирование признаков

Оценка модели

Простой пример классификации

Деревья решений с градиентным усилением

Введение в деревья решений

Градиентное усиление

Гиперпараметры

Интерпретация результатов

Вероятность класса

Оценка класса

Важность признака

Заключение

Дополнительная литература

Глава 12. Регрессия

Технические требования

Использование регрессионного анализа для прогнозирования цен на жилье

Использование деревьев решений в регрессионном анализе

Заключение

Дополнительная литература

Глава 13. Логический вывод моделей

Технические требования

Поиск, импорт и экспорт обученных моделей с помощью API

Обзор API обученных моделей

Экспорт и импорт обученных моделей с помощью API и Python

Обработчики логического вывода и конвейеры данных

Обработка отсутствующих или поврежденных данных в конвейерах

Получение развернутой информации о прогнозах

Импорт внешних моделей с помощью eland

Кратко о поддержке внешних моделей в eland

Обучение DecisionTreeClassifier и импорт в Elasticsearch с помощью eland

Заключение

Приложение. Советы по обнаружению аномалий +

Предметный указатель