Gradient Boosting - Exploitez les arbres de décision pour le Machine Learning (XGBoost, CatBoost, Li

Ce livre sur les méthodes de Gradient Boosting pour les arbres de décision est destiné aux étudiants, universitaires, ingénieurs, data scientist qui souhaitent découvrir en profondeur le fonctionnement de cette technique de Machine Learning utilisée dans les tâches de régression et de classification. Tous les concepts sont illustrés par du code et permettent au lecteur de reconstruire from scratch sa propre librairie de Gradient Boosting. En parallèle de cette découverte, le livre présente les bonnes pratiques de la Data Science et apporte au lecteur un solide bagage technique pour construire efficacement des modèles de Machine Learning. Après une présentation du fonctionnement des Gradient Boosting Trees, illustrée par de nombreux exemples de code offrant une implémentation minimale de chaque sujet abordé, vous construisez vos premiers modèles de Gradient Boosting pour les arbres de décision. Vous serez ensuite armé pour aborder la mise en application et la configuration de ces méthodes. L'explication d'un modèle, la gestion de l'Hyper Parameters Tuning et l'utilisation des fonctions objectifs n'auront alors plus de secrets pour vous. Les derniers chapitres du livre élargissent le sujet vers l'application du Gradient Boosting pour les séries temporelles, la présentation des grandes bibliothèques XGBoost, CatBoost et LightGBM) ainsi que le concept de modèle multi-résolution. Des éléments complémentaires sont en téléchargement sur le site www. editions-eni. fr.