Beginning Anomaly Detection Using Python-Based Deep Learning / Alla, Sridhar  

Público ISBD Ningún comentario para este registro. Título : Beginning Anomaly Detection Using Python-Based Deep Learning : With Keras and PyTorch Tipo de documento: documento electrónico Autores: Alla, Sridhar, Autor ; Adari, Suman Kalyan, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2019 Número de páginas: XVI, 416 p. 530 ilustraciones ISBN/ISSN/DL: 978-1-4842-5177-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Python (lenguaje de programa informático)  Software de código abierto  Pitón  Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Utilice esta guía para principiantes fácil de seguir para comprender cómo se puede aplicar el aprendizaje profundo a la tarea de detección de anomalías. Utilizando Keras y PyTorch en Python, el libro se centra en cómo se pueden aplicar varios modelos de aprendizaje profundo a tareas de detección de anomalías semisupervisadas y no supervisadas. Este libro comienza con una explicación de qué es la detección de anomalías, para qué se utiliza y su importancia. Después de cubrir métodos estadísticos y tradicionales de aprendizaje automático para la detección de anomalías utilizando Scikit-Learn en Python, el libro proporciona una introducción al aprendizaje profundo con detalles sobre cómo construir y entrenar un modelo de aprendizaje profundo tanto en Keras como en PyTorch antes de centrarse en las aplicaciones. de los siguientes modelos de aprendizaje profundo para la detección de anomalías: varios tipos de codificadores automáticos, máquinas de Boltzmann restringidas, RNN y LSTM y redes convolucionales temporales. El libro explora la detección de anomalías semisupervisada y no supervisada junto con los conceptos básicos de la detección de anomalías basada en series de tiempo. Al final del libro, tendrá una comprensión profunda de la tarea básica de la detección de anomalías, así como de una variedad de métodos para abordar la detección de anomalías, que van desde métodos tradicionales hasta el aprendizaje profundo. Además, conocerá Scikit-Learn y podrá crear modelos de aprendizaje profundo en Keras y PyTorch. Lo que aprenderá: comprenderá qué es la detección de anomalías y por qué es importante en el mundo actual. Familiarizarse con los enfoques estadísticos y de aprendizaje automático tradicional para la detección de anomalías utilizando Scikit-Learn. Conocer los conceptos básicos del aprendizaje profundo en Python utilizando Keras y PyTorch. Conceptos básicos de ciencia de datos para medir el rendimiento de un modelo: comprenda qué es AUC, qué significan precisión y recuperación, y más. Aplique el aprendizaje profundo a la detección de anomalías semisupervisada y no supervisada. Nota de contenido: Chapter 1: What is Anomaly Detection? -- Chapter 2: Traditional Methods of Anomaly Detection -- Chapter 3: Introduction to Deep Learning -- Chapter 4: Autoencoders -- Chapter 5: Boltzmann Machines -- Chapter 6: Long Short-Term Memory Models -- Chapter 7: Temporal Convolutional Network -- Chapter 8: Practical Use Cases of Anomaly Detection -- Appendix A: Introduction to Keras -- Appendix B: Introduction to PyTorch. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Beginning Anomaly Detection Using Python-Based Deep Learning : With Keras and PyTorch [documento electrónico] / Alla, Sridhar, Autor ; Adari, Suman Kalyan, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2019 . - XVI, 416 p. 530 ilustraciones. ISBN : 978-1-4842-5177-5 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Python (lenguaje de programa informático)  Software de código abierto  Pitón  Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Utilice esta guía para principiantes fácil de seguir para comprender cómo se puede aplicar el aprendizaje profundo a la tarea de detección de anomalías. Utilizando Keras y PyTorch en Python, el libro se centra en cómo se pueden aplicar varios modelos de aprendizaje profundo a tareas de detección de anomalías semisupervisadas y no supervisadas. Este libro comienza con una explicación de qué es la detección de anomalías, para qué se utiliza y su importancia. Después de cubrir métodos estadísticos y tradicionales de aprendizaje automático para la detección de anomalías utilizando Scikit-Learn en Python, el libro proporciona una introducción al aprendizaje profundo con detalles sobre cómo construir y entrenar un modelo de aprendizaje profundo tanto en Keras como en PyTorch antes de centrarse en las aplicaciones. de los siguientes modelos de aprendizaje profundo para la detección de anomalías: varios tipos de codificadores automáticos, máquinas de Boltzmann restringidas, RNN y LSTM y redes convolucionales temporales. El libro explora la detección de anomalías semisupervisada y no supervisada junto con los conceptos básicos de la detección de anomalías basada en series de tiempo. Al final del libro, tendrá una comprensión profunda de la tarea básica de la detección de anomalías, así como de una variedad de métodos para abordar la detección de anomalías, que van desde métodos tradicionales hasta el aprendizaje profundo. Además, conocerá Scikit-Learn y podrá crear modelos de aprendizaje profundo en Keras y PyTorch. Lo que aprenderá: comprenderá qué es la detección de anomalías y por qué es importante en el mundo actual. Familiarizarse con los enfoques estadísticos y de aprendizaje automático tradicional para la detección de anomalías utilizando Scikit-Learn. Conocer los conceptos básicos del aprendizaje profundo en Python utilizando Keras y PyTorch. Conceptos básicos de ciencia de datos para medir el rendimiento de un modelo: comprenda qué es AUC, qué significan precisión y recuperación, y más. Aplique el aprendizaje profundo a la detección de anomalías semisupervisada y no supervisada. Nota de contenido: Chapter 1: What is Anomaly Detection? -- Chapter 2: Traditional Methods of Anomaly Detection -- Chapter 3: Introduction to Deep Learning -- Chapter 4: Autoencoders -- Chapter 5: Boltzmann Machines -- Chapter 6: Long Short-Term Memory Models -- Chapter 7: Temporal Convolutional Network -- Chapter 8: Practical Use Cases of Anomaly Detection -- Appendix A: Introduction to Keras -- Appendix B: Introduction to PyTorch. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Beginning MLOps with MLFlow / Alla, Sridhar  

Público ISBD Ningún comentario para este registro. Título : Beginning MLOps with MLFlow : Deploy Models in AWS SageMaker, Google Cloud, and Microsoft Azure Tipo de documento: documento electrónico Autores: Alla, Sridhar, Autor ; Adari, Suman Kalyan, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XIV, 330 p. 267 ilustraciones ISBN/ISSN/DL: 978-1-4842-6549-9 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático  Lenguajes de programación (computadoras electrónicas)  Lenguaje de programación Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Integre los principios de MLOps en proyectos existentes o futuros utilizando MLFlow, ponga en funcionamiento sus modelos e impleméntelos en AWS SageMaker, Google Cloud y Microsoft Azure. Este libro lo guía a través del proceso de análisis de datos, construcción de modelos y capacitación. Los autores comienzan presentándole el análisis de datos básicos en un conjunto de datos de tarjetas de crédito y le enseñan cómo analizar las características y sus relaciones con la variable objetivo. Aprenderá cómo construir modelos de regresión logística en scikit-learn y PySpark, y pasará por el proceso de ajuste de hiperparámetros con un conjunto de datos de validación. Explorará tres configuraciones de implementación diferentes de modelos de aprendizaje automático con distintos niveles de automatización para ayudarlo a comprender mejor MLOps. Se cubre MLFlow y explorará cómo integrar MLOps en su código existente, lo que le permitirá realizar un seguimiento fácil de métricas, parámetros, gráficos y modelos. Se le guiará a través del proceso de implementación y consulta de sus modelos con AWS SageMaker, Google Cloud y Microsoft Azure. Y aprenderá cómo integrar sus configuraciones de MLOps utilizando Databricks. Usted podrá: Realizar análisis de datos básicos y construir modelos en scikit-learn y PySpark Entrenar, probar y validar sus modelos (ajuste de hiperparámetros) Saber qué es MLOps y cómo es una configuración ideal de MLOps Integrar fácilmente MLFlow en sus proyectos existentes o futuros Implementar tus modelos y realiza predicciones con ellos en la nube. Nota de contenido: Chapter 1: Getting Started: Data Analysis -- Chapter 2: Building Models -- Chapter 3: What Is MLOps? -- Chapter 4: Introduction to MLFlow -- Chapter 5: Deploying in AWS -- Chapter 6: Deploying in Azure -- Chapter 7: Deploying in Google -- Appendix A: a2ml. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Beginning MLOps with MLFlow : Deploy Models in AWS SageMaker, Google Cloud, and Microsoft Azure [documento electrónico] / Alla, Sridhar, Autor ; Adari, Suman Kalyan, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2021 . - XIV, 330 p. 267 ilustraciones. ISBN : 978-1-4842-6549-9 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático  Lenguajes de programación (computadoras electrónicas)  Lenguaje de programación Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Integre los principios de MLOps en proyectos existentes o futuros utilizando MLFlow, ponga en funcionamiento sus modelos e impleméntelos en AWS SageMaker, Google Cloud y Microsoft Azure. Este libro lo guía a través del proceso de análisis de datos, construcción de modelos y capacitación. Los autores comienzan presentándole el análisis de datos básicos en un conjunto de datos de tarjetas de crédito y le enseñan cómo analizar las características y sus relaciones con la variable objetivo. Aprenderá cómo construir modelos de regresión logística en scikit-learn y PySpark, y pasará por el proceso de ajuste de hiperparámetros con un conjunto de datos de validación. Explorará tres configuraciones de implementación diferentes de modelos de aprendizaje automático con distintos niveles de automatización para ayudarlo a comprender mejor MLOps. Se cubre MLFlow y explorará cómo integrar MLOps en su código existente, lo que le permitirá realizar un seguimiento fácil de métricas, parámetros, gráficos y modelos. Se le guiará a través del proceso de implementación y consulta de sus modelos con AWS SageMaker, Google Cloud y Microsoft Azure. Y aprenderá cómo integrar sus configuraciones de MLOps utilizando Databricks. Usted podrá: Realizar análisis de datos básicos y construir modelos en scikit-learn y PySpark Entrenar, probar y validar sus modelos (ajuste de hiperparámetros) Saber qué es MLOps y cómo es una configuración ideal de MLOps Integrar fácilmente MLFlow en sus proyectos existentes o futuros Implementar tus modelos y realiza predicciones con ellos en la nube. Nota de contenido: Chapter 1: Getting Started: Data Analysis -- Chapter 2: Building Models -- Chapter 3: What Is MLOps? -- Chapter 4: Introduction to MLFlow -- Chapter 5: Deploying in AWS -- Chapter 6: Deploying in Azure -- Chapter 7: Deploying in Google -- Appendix A: a2ml. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 2 / 2) Por página: 25 50 100 200