Introducción a la predicción conforme Con Python es la forma más rápida de aprender una técnica fácil de usar y muy general para la cuantificación de incertidumbre. " Este libro conciso es accesible, lúcido y lleno de útiles fragmentos de código. Explica las ideas matemáticas con claridad y proporciona al lector ejemplos prácticos que ilustran la esencia de la predicción conforme, una poderosa idea para la cuantificación de incertidumbre ".
– Junaid Butt, ingeniero de software de investigación, IBM Research
"Las estadísticas modernas pueden ser un tema difícil, pero Christoph ha logrado que se sienta fácil, práctico y divertido. Leer este libro es un gran primer paso para ganar dominio de la predicción conforme y temas relacionados".
– Anastasios Angelopoulos, investigador de la Universidad de California, Berkeley Resumen
Un requisito previo para la confianza en el aprendizaje automático es la cuantificación de incertidumbre. Sin él, una predicción precisa y una conjetura salvaje se ven iguales.
Sin embargo, muchos modelos de aprendizaje automático vienen sin cuantificación de incertidumbre. Y si bien hay muchos enfoques de incertidumbre, desde posteriores bayesianos hasta bootstrapping, no tenemos garantías de que estos enfoques funcionen bien en datos nuevos.
"Me gustó mucho leer el libro. La comunidad de ciencia de datos y aprendizaje automático necesita más personas como Christoph Molnar que puedan traducir la investigación innovadora emergente en conceptos digeribles. Puedo ver que este libro se convierte en una pieza clave para acelerar la tasa de adopción de ML"
– Guilherme Del Nero Maia, Principal Data Science en Jabil
A primera vista, la predicción conforme parece otro contendiente. Pero la predicción conforme puede funcionar en combinación con cualquier otro enfoque de incertidumbre y tiene muchas ventajas que lo hacen destacar: Cobertura garantizada: las regiones de predicción generadas por la predicción conforme vienen con garantías de cobertura del verdadero resultado Fácil de usar: los enfoques de predicción conformes se pueden implementar desde cero con solo unas pocas líneas de código Modelo-agnóstico: la predicción conforme funciona con cualquier modelo de aprendizaje automático última intervensión de distribución: la predicción conforme no hace suposiciones de distribución No requiere reentrenamiento: la predicción conforme se puede utilizar sin volver a entrenar el modelo Amplia aplicación: la predicción conforme funciona para clasificación, regresión, pronóstico de series de tiempo y muchas otras tareas
¿Suena bien?
Entonces este es el libro adecuado para que aprendas sobre esta herramienta versátil, fácil de usar pero potente para domesticar la incertidumbre de tus modelos.
Este libro: Enseña la intuición detrás de la predicción conforme Demuestra cómo funciona la predicción conforme para clasificación y regresión Muestra cómo aplicar predicción conforme con Python y MAPIE Te permite aprender rápidamente nuevos algoritmos de conformación
Con el conocimiento de este libro, estarás listo para cuantificar la incertidumbre de cualquier modelo.
"Este libro es una guía completa y un recurso para cualquier persona que quiera aprender a cuantificar la incertidumbre con predicción conforme usando python. La escritura de Christoph es clara y atractiva. Proporciona ejemplos prácticos que ayudan a los lectores a comprender cómo aplicar técnicas/conceptos de predicción conforme a problemas del mundo real".
– Tony Zhang, científico de datos de Munich Re
- Idioma: Inglés
- Libro original impreso
- Nuevo y sellado
