Машинное обучение в Elastic Stack
Покупка
Новинка
Тематика:
Проектирование баз и банков данных
Издательство:
ДМК Пресс
Перевод:
Яценков В.
Год издания: 2022
Кол-во страниц: 380
Дополнительно
Вид издания:
Практическое пособие
Уровень образования:
ВО - Специалитет
ISBN: 978-5-93700-107-8
Артикул: 833965.01.99
Доступ онлайн
В корзину
В книге подробно рассматривается работа с Elastic Stack - обширной экосистемой компонентов, которые служат для сбора, поиска и обработки данных. Вы ознакомитесь с общими принципами машинного обучения, узнаете о методах автоматического обнаружения аномалий, проверке целостности и анализа данных из разрозненных источников, научитесь истолковывать результаты обнаружения и прогнозирования аномалий и использовать их в своих целях, а также выполнять анализ временных рядов для различных типов данных. Издание адресовано специалистам, которые работают с данными и хотят интегрировать машинное обучение с эффективными приложениями для мониторинга, обеспечения безопасности и аналитики в области данных.
- Полная коллекция по информатике и вычислительной технике
- ДМК Пресс. Информационные системы и технологии
- ДМК Пресс. ИТ-технологии для обучающихся
- ДМК. Пресс. Электроника, радиотехника и системы связи
- Интермедиатор. Информационные системы и технологии (сводная)
- Интермедиатор. ИТ-технологии для обучающихся (сводная)
- Интермедиатор. Электроника, радиотехника и системы связи (сводная)
- Проектирование баз и банков данных
Тематика:
ББК:
УДК:
ОКСО:
- ВО - Бакалавриат
- 09.03.01: Информатика и вычислительная техника
- 09.03.02: Информационные системы и технологии
- 09.03.03: Прикладная информатика
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
Рич Кольер, Камилла Монтонен, Бахаалдин Азарми Машинное обучение в Elastic Stack
Machine Learning with the Elastic Stack Gain valuable insights from your data with Elastic Stack's machine learning features Rich Collier Camilla Montonen Bahaaldine Azarmi BIRMINGHAM — MUMBAI
Машинное обучение в Elastic Stack Получите максимальную отдачу от ваших данных благодаря уникальному сочетанию передовых технологий Рич Кольер Камилла Монтонен Бахаалдин Азарми Москва, 2022
УДК 004.4 ББК 32.972 К62 Кольер Р., Монтонен К., Азарми Б. К62 Машинное обучение в Elastic Stack / пер. с англ. В. С. Яценкова. – М.: ДМК Пресс, 2022. – 380 с.: ил. ISBN 978-5-93700-107-8 В книге подробно рассматривается работа с Elastic Stack – обширной экосистемой компонентов, которые служат для сбора, поиска и обработки данных. Вы ознакомитесь с общими принципами машинного обучения, узнаете о методах автоматического обнаружения аномалий, проверке целостности и анализа данных из разрозненных источников, научитесь истолковывать результаты обнаружения и прогнозирования аномалий и использовать их в своих целях, а также выполнять анализ временных рядов для различных типов данных. Издание адресовано специалистам, которые работают с данными и хотят интегрировать машинное обучение с эффективными приложениями для мониторинга, обеспечения безопасности и аналитики в области данных. УДК 004.4 ББК 32.972 First published in the English language under the title ‘Machine Learning with the Elastic Stack. Second Edition (978-1-80107-003-4). The Russian-Language 1st edition Copyright © 2021 by DMK Press Publishing under license by No Starch Press Inc. All rights reserved. Все права защищены. Любая часть этой книги не может быть воспроизведена в какой бы то ни было форме и какими бы то ни было средствами без письменного разрешения владельцев авторских прав. ISBN 978-1-80107-003-4 (англ.) © Packt Publishing, 2021 ISBN 978-5-93700-107-8 (рус.) © Перевод, оформление, издание, ДМК Пресс, 2022
Содержание От издательства ....................................................................................................12 Об авторах ..............................................................................................................13 О рецензентах .......................................................................................................14 Предисловие ..........................................................................................................15 Часть I. ЗНАКОМСТВО С МАШИННЫМ ОБУЧЕНИЕМ И ELASTIC STACK ............................................................................................18 Глава 1. Машинное обучение в информационных технологиях............................................................................................................19 Преодоление исторических вызовов в IT ...............................................................19 Что нам делать с потоком данных? .........................................................................20 Причины появления автоматического обнаружения аномалий ........................21 Машинное обучение без учителя и с учителем .....................................................23 Использование машинного обучения без учителя для обнаружения аномалий .....................................................................................................................24 Что такое необычность?........................................................................................24 Изучение того, что является нормой ..................................................................26 Вероятностные модели .........................................................................................26 Обучение моделей .................................................................................................27 Выявление и устранение тенденций ..................................................................30 Оценка степени необычности .............................................................................31 Роль времени ..........................................................................................................32 Применение машинного обучения с учителем в аналитике фреймов данных .........................................................................................................................33 Процесс обучения с учителем ..............................................................................33 Заключение .................................................................................................................35 Глава 2. Подготовка и использование Elastic ML ................................36 Технические требования ...........................................................................................36 Включение функций Elastic ML ................................................................................36 Включение машинного обучения в собственном кластере ............................37 Включение машинного обучения в облаке – Elasticsearch Service .................39 Обзор операционализации Elastic ML ....................................................................46 Узлы ML ...................................................................................................................46 Задания ....................................................................................................................47 Сегментирование данных в анализе временных рядов ..................................48
Содержание Загрузка данных в Elastic ML ...............................................................................49 Служебные хранилища .........................................................................................51 .ml-config .............................................................................................................51 .ml-state-* ...........................................................................................................51 .ml-notifications-* ..............................................................................................52 .ml-annotations-* ...............................................................................................52 .ml-stats-* ............................................................................................................52 .ml-anomalies-*...................................................................................................52 Оркестровка обнаружения аномалий .................................................................52 Снимки модели обнаружения аномалий ...........................................................53 Заключение .................................................................................................................54 Часть II. АНАЛИЗ ВРЕМЕННЫХ РЯДОВ – ОБНАРУЖЕНИЕ И ПРОГНОЗИРОВАНИЕ АНОМАЛИЙ ..........55 Глава 3. Обнаружение аномалий .................................................................56 Технические требования ...........................................................................................56 Типы заданий Elastic ML ...........................................................................................56 Устройство детектора ................................................................................................58 Функция ..................................................................................................................59 Поле ..........................................................................................................................59 Поле partition .........................................................................................................59 Поле by .....................................................................................................................60 Поле over ..................................................................................................................60 Формула детектора ................................................................................................60 Обнаружение изменений частотности событий ...................................................61 Подробнее о функциях count ................................................................................61 Другие функции подсчета ....................................................................................73 Ненулевой подсчет ............................................................................................73 Раздельный подсчет ..........................................................................................74 Обнаружение изменений значений показателей .................................................75 Метрические функции ..........................................................................................76 min, max, mean, median и metric ......................................................................76 varp .......................................................................................................................76 sum и non-null sum ............................................................................................76 Обзор расширенных функций детектора ...............................................................77 Функция rare ...........................................................................................................78 Функция freq_rare ..................................................................................................79 Функция info_content .............................................................................................79 Функции геолокации .............................................................................................79 Функции времени ..................................................................................................80 Разделение анализа по категориальным признакам ...........................................80 Настройка поля разделения .................................................................................80 Разница между разделением с использованием partition и by_field ............82 Является ли двойное разделение пределом возможного? ..........................83 Обзор временного и популяционного анализов ...................................................84
Содержание 7 Категоризация в анализе неструктурированных сообщений .............................86 Типы сообщений, подходящие для категоризации ..........................................88 Предварительная категоризация ........................................................................88 Анализ категорий ..................................................................................................89 Пример задания по категоризации ....................................................................90 Когда не следует использовать категоризацию ................................................94 Управление Elastic ML через API .............................................................................95 Заключение .................................................................................................................97 Глава 4. Прогнозирование ...............................................................................98 Технические требования ...........................................................................................98 Ключевое различие между предсказаниями и пророчествами ..........................98 Для чего применяется прогнозирование? ...........................................................100 Как работает прогнозирование? ............................................................................100 Прогнозирование одиночного временного ряда ................................................103 Просмотр результатов прогнозирования .............................................................114 Прогнозирование нескольких временных рядов ...............................................119 Заключение ...............................................................................................................122 Глава 5. Интерпретация результатов .......................................................123 Технические требования .........................................................................................123 Просмотр хранилища результатов Elastic ML ......................................................123 Оценка аномалий .....................................................................................................128 Оценка на уровне сегмента ................................................................................129 Нормализация ......................................................................................................131 Оценка на уровне фактора влияния .................................................................131 Факторы влияния .................................................................................................133 Оценка на уровне записи ...................................................................................135 Описание схемы хранилища результатов ............................................................136 Результаты на уровне сегмента .........................................................................137 Результаты на уровне записи .............................................................................140 Результаты на уровне факторов влияния ........................................................143 Аномалии в нескольких сегментах .......................................................................145 Пример аномалии в нескольких сегментах .....................................................145 Оценка аномалии в нескольких сегментах ......................................................146 Результаты прогноза ...............................................................................................148 Запрос результатов прогноза .............................................................................149 API результатов Elastic ML ......................................................................................151 Конечные точки API результатов ......................................................................152 API обобщения сегментов ..................................................................................152 API категорий .......................................................................................................153 Пользовательские панели мониторинга и рабочие панели Canvas .................155 Панель инструментов встраивания ..................................................................155 Аномалии как аннотации в TSVB ......................................................................156 Настройка рабочих панелей Canvas ..................................................................159 Заключение ...............................................................................................................162
Содержание Глава 6. Создание и использование оповещений .............................163 Технические требования .........................................................................................163 Определение и принцип работы оповещений ....................................................164 Аномалии не обязательно нуждаются в оповещениях ..................................164 Точное время имеет значение ...........................................................................165 Создание оповещений из интерфейса машинного обучения ..........................168 Определение заданий по обнаружению аномалий ........................................168 Создание оповещений для пробных заданий .................................................174 Моделирование аномального поведения в реальном времени ...................179 Получение и просмотр оповещений .................................................................180 Создание оповещений с по мощью Watcher .........................................................183 Использование устаревшего варианта watch ...................................................183 trigger .................................................................................................................184 input ...................................................................................................................184 condition ............................................................................................................187 action .................................................................................................................188 Пользовательские шаблоны watch с уникальной функциональностью ......189 Связанный ввод и сценарий условий ...........................................................189 Передача информации между связанными входами ................................190 Заключение ...............................................................................................................191 Глава 7. Выявление истинных причин аномалий ..............................192 Технические требования .........................................................................................192 Настоящее значение термина AIOps.....................................................................192 Значимость и ограничения KPI .............................................................................194 Выходя за рамки KPI ................................................................................................197 Организация данных для анализа .........................................................................198 Настраиваемые запросы для каналов данных ................................................199 Дополнение получаемых данных ......................................................................202 Использование контекстной информации ..........................................................203 Аналитическое разделение ................................................................................203 Статистические факторы влияния ....................................................................204 Анализ первопричин аномалии ............................................................................205 История проблемы ..............................................................................................205 Корреляция и общие факторы влияния ...........................................................207 Заключение ...............................................................................................................212 Глава 8. Другие приложения Elastic Stack для обнаружения аномалий ...............................................................................................................213 Технические требования .........................................................................................213 Обнаружение аномалий в Elastic APM ..................................................................213 Включение обнаружения аномалий для APM .................................................214 Просмотр результатов задания по обнаружению аномалий ........................219 Создание заданий машинного обучения с помощью распознавателя данных ...................................................................................................................222 Обнаружение аномалий в приложении Logs .......................................................224
Содержание 9 Категории журналов ............................................................................................224 Журнал аномалий ................................................................................................225 Обнаружение аномалий в приложении Metrics ..............................................227 Обнаружение аномалий в приложении Uptime ..................................................230 Обнаружение аномалий в приложении Elastic Security .....................................233 Готовые задания по обнаружению аномалий .................................................233 Оповещения на основе заданий обнаружения аномалий .............................235 Заключение ...............................................................................................................237 Часть III. АНАЛИЗ ФРЕЙМОВ ДАННЫХ ...........................................238 Глава 9. Введение в анализ фреймов данных ....................................239 Технические требования .........................................................................................240 Основы преобразования данных ...........................................................................240 Чем полезны преобразования?..........................................................................240 Анатомия преобразований ................................................................................241 Использование преобразований для анализа заказов интернет-магазина ..............................................................................................242 Более сложные конфигурации сводной таблицы и агрегирования .............246 Различие между пакетными и непрерывными преобразованиями............248 Анализ данных социальных сетей с помощью непрерывных преобразований ...................................................................................................250 Использование Painless для расширенных конфигураций преобразования ........................................................................................................253 Знакомство с Painless ..........................................................................................254 Переменные, операторы и управление выполнением ..............................255 Функции ............................................................................................................260 Совместное использование Python и Elasticsearch .............................................263 Краткий обзор клиентов Python Elasticsearch .................................................264 Зачем нам нужен Eland? .................................................................................266 Знакомство с Eland ..........................................................................................267 Заключение ...............................................................................................................269 Дополнительная литература ..................................................................................270 Глава 10. Обнаружение выбросов ............................................................272 Технические требования .........................................................................................273 Принцип работы механизма обнаружения выбросов ........................................273 Обзор четырех методов обнаружения выбросов ............................................274 Методы, основанные на расстоянии ............................................................274 Методы, основанные на плотности ..............................................................275 Оценка влияния характеристики ......................................................................276 Как рассчитывается оценка влияния характеристик для каждой точки? ................................................................................................................277 Чем обнаружение выбросов отличается от обнаружения аномалий? .........278 Сравнение вероятностных моделей и экземпляров ..................................278 Подсчет оценок ................................................................................................279
Содержание Характеристики данных .................................................................................279 Потоковая и пакетная обработка ..................................................................279 Применение обнаружения выбросов на практике .............................................280 Оценка качества обнаружения выбросов с помощью API Evaluate .................285 Настройка гиперпараметров для обнаружения выбросов ................................290 Заключение ...............................................................................................................293 Глава 11. Классификационный анализ ...................................................294 Технические требования .........................................................................................295 Классификация: от данных к обученной модели ................................................295 Классифицирующие модели учатся на данных ..............................................296 Конструирование признаков .............................................................................298 Оценка модели .....................................................................................................299 Простой пример классификации ...........................................................................300 Деревья решений с градиентным усилением ......................................................307 Введение в деревья решений .............................................................................308 Градиентное усиление ........................................................................................309 Гиперпараметры ......................................................................................................309 Интерпретация результатов ...................................................................................313 Вероятность класса ..........................................................................................314 Оценка класса ..................................................................................................314 Важность признака ..........................................................................................314 Заключение ...............................................................................................................316 Дополнительная литература ..................................................................................317 Глава 12. Регрессия ...........................................................................................318 Технические требования .........................................................................................318 Использование регрессионного анализа для прогнозирования цен на жилье .....................................................................................................................319 Использование деревьев решений в регрессионном анализе ..........................326 Заключение ...............................................................................................................329 Дополнительная литература ..................................................................................329 Глава 13. Логический вывод моделей ....................................................330 Технические требования .........................................................................................330 Поиск, импорт и экспорт обученных моделей с по мощью API ........................331 Обзор API обученных моделей ..........................................................................331 Экспорт и импорт обученных моделей с по мощью API и Python ................333 Обработчики логического вывода и конвейеры данных ...................................336 Обработка отсутствующих или поврежденных данных в конвейерах ........345 Получение развернутой информации о прогнозах ........................................347 Импорт внешних моделей с по мощью eland ........................................................348 Кратко о поддержке внешних моделей в eland ................................................349 Обучение DecisionTreeClassifier и импорт в Elasticsearch с по мощью eland ........................................................................................................................349 Заключение ...............................................................................................................353
Содержание 11 Приложение. Советы по обнаружению аномалий ...........................354 Технические требования .........................................................................................354 Роль факторов влияния в разделенных и неразделенных заданиях ...............354 Использование односторонних функций ............................................................361 Исключение определенных интервалов времени ..............................................363 Исключение наступающего (известного) интервала времени .....................364 Создание события календаря ........................................................................364 Остановка и запуск потока данных в нужное время .................................365 Исключение интервала времени постфактум .................................................366 Клонирование задания и повторный запуск исторических данных.......366 Возврат задания к предыдущему снимку модели ......................................366 Использование настраиваемых правил и фильтров ..........................................368 Создание собственных правил ..........................................................................369 Использование настраиваемых правил для оповещения «сверху вниз» ....370 Соображения относительно пропускной способности заданий .......................371 О вреде излишней сложности сценариев .............................................................372 Обнаружение аномалий в вычисляемых полях ..................................................373 Заключение ...............................................................................................................376 Предметный указатель ...................................................................................377
От издательства Отзывы и пожелания Мы всегда рады отзывам наших читателей. Расскажите нам, что вы ду маете об этой книге – что понравилось или, может быть, не понравилось. Отзывы важны для нас, чтобы выпускать книги, которые будут для вас максимально полезны. Вы можете написать отзыв на нашем сайте www.dmkpress.com, зайдя на страницу книги и оставив комментарий в разделе «Отзывы и рецензии». Также можно послать письмо главному редактору по адресу dmkpress@gmail. com; при этом укажите название книги в теме письма. Если вы являетесь экспертом в какой-либо области и заинтересованы в написании новой книги, заполните форму на нашем сайте по адресу http:// dmkpress.com/authors/publish_book/ или напишите в издательство по адресу dmkpress@gmail.com. Список опечаток Хотя мы приняли все возможные меры для того, чтобы обеспечить высокое качество наших текстов, ошибки все равно случаются. Если вы найдете ошибку в одной из наших книг, мы будем очень благодарны, если вы сообщите о ней главному редактору по адресу dmkpress@gmail.com. Сделав это, вы избавите других читателей от недопонимания и поможете нам улучшить последующие издания этой книги. Нарушение авторских прав Пиратство в интернете по-прежнему остается насущной проблемой. Издательства « ДМК Пресс» и Packt очень серьезно относятся к вопросам защиты авторских прав и лицензирования. Если вы столкнетесь в интернете с незаконной публикацией какой-либо из наших книг, пожалуйста, пришлите нам ссылку на интернет-ресурс, чтобы мы могли применить санкции. Ссылку на подозрительные материалы можно прислать по адресу элект- ронной почты dmkpress@gmail.com. Мы высоко ценим любую помощь по защите наших авторов, благодаря которой мы можем предоставлять вам качественные материалы.
Об авторах Рич Кольер (Rich Collier) – архитектор решений в Elastic. Он присоединился к команде Elastic после приобретения Prelert. Рич имеет более чем 20-летний опыт работы в качестве архитектора решений и системного инженера предпродажной подготовки программного обеспечения, оборудования и сервисных решений. Профессиональные интересы Рича включают аналитику больших данных, машинное обучение, обнаружение аномалий, обнаружение угроз, обеспечение безопасности, управление производительностью приложений, веб-приложения и технологии контакт-центров. Рич проживает в Бостоне, штат Массачусетс. Камилла Монтонен (Camilla Montonen) – старший инженер по машинному обучению в Elastic. Бахаалдин Азарми (Bahaaldine Azarmi), или коротко Баха, – архитектор решений в Elastic. До этого Баха был соучредителем ReachFive, платформы маркетинговых данных, ориентированной на поведение пользователей и социальную аналитику. Баха также сотрудничал с различными поставщиками программного обеспечения, такими как Talend и Oracle, где он занимал должности архитектора решений и системного архитектора. Баха является автором нескольких книг, в том числе Learning Kibana 5.0, Scalable Big Data Architecture и Talend for Big Data. Живет в Париже и имеет степень магистра компьютерных наук Парижского технологического института.
О рецензентах Апурва Джоши (Apoorva Joshi) в настоящее время работает специалистом по безопасности данных в Elastic (ранее Elasticsearch), где она занимается применением машинного обучения для обнаружения вредоносных программ в конечных точках системы. До Elastic работала научным сотрудником в Fire- Eye, где исследовала применение машинного обучения в задачах безопасности электронной почты. У нее разностороннее инженерное образование: бакалавр электротехники и магистр информационных технологий (с акцентом на машинное обучение). Лицзюань Чжун (Lijuan Zhong) – опытный инженер в области технологий Elastic и облачных вычислений. У нее степень магистра информационных технологий и почти 20-летний опыт работы в сфере информационных технологий и телекоммуникаций. Сейчас сотрудничает с Netnordic – основным партнером Elastic в Швеции. Она начала свой путь в Elastic в 2019 году и стала сертифицированным инженером Elastic, также прошла курс машинного обучения Стэнфордского университета. Возглавляет множество образовательных программ и проектов, связанных с Elastic и машинным обучением, и клиенты всегда очень довольны результатом. Она была соорганизатором конференции Elastic Stockholm в 2020 г., приняла участие в конференции сообщества Elastic в 2021 г. и выступила с докладом о машинном обучении с по мощью Elastic Stack. В 2021 году была удостоена бронзовой медали за вклад в развитие Elastic.
Предисловие Elastic Stack, ранее известный как ELK Stack, представляет собой комплексное решение для анализа журналов, которое помогает пользователям эффективно получать, обрабатывать и анализировать данные поиска. Благодаря применению машинного обучения – ключевой особенности решения – Elas- tic Stack делает этот процесс еще более эффективным. Эта книга содержит всесторонний обзор функций машинного обучения Elastic Stack как для анализа данных временных рядов, так и для классификации, регрессии и обнаружения выбросов. Знакомство с экосистемой Elastic Stack начинается с интуитивно понятного объяснения концепций машинного обучения. Затем под руководством авторов вы выполните анализ временных рядов для различных типов данных, таких как файлы журналов, сетевые потоки, показатели приложений и финансовые данные. По мере прочтения глав вы научитесь использовать машинное обучение в Elastic Stack для ведения журнала, обеспечения безопасности и отслеживания показателей. Наконец, вы узнаете, как анализ фреймов открывает доступ к совершенно новым сценариям использования данных, в которых вам поможет машинное обучение. После прочтения этой книги вы приобретете практический опыт совместного использования технологии машинного обучения и Elastic Stack, а также знания, необходимые для включения машинного обучения в вашу платформу распределенного поиска и анализа данных. Для кого эта книга Если вы профессионал в области данных и хотите получить представление о технологиях Elasticsearch, не прибегая к помощи специалиста по машинному обучению и не разрабатывая собственные решения, то эта книга про совместное применение машинного обучения и Elastic Stack для вас. Вы также найдете эту книгу полезной, если хотите интегрировать машинное обучение с вашими приложениями для мониторинга, обеспечения безопасности и аналитики. Чтобы извлечь из данной книги максимальную пользу, необходимо знать и уметь применять на практике Elastic Stack. какие темы охватывает эта книга Глава 1 служит введением в тему и справочным пособием по историческим проблемам ручного анализа данных в IT и технологиях безопасности. В этой главе также представлен всесторонний обзор базовых принципов работы
Предисловие машинного обучения Elastic (Elastic ML), чтобы читатель получил полное представление о том, что происходит «за кулисами». В главе 2 объясняется, каким образом применяются возможности машинного обучения в Elastic Stack, а также подробно описывается теория работы алгоритмов Elastic ML. Кроме того, в этой главе дается подробное объяснение логистики операций машинного обучения применительно к Elastic. В главе 3 подробно рассматриваются методы автоматического обнаружения аномалий с обучением без учителя, которые лежат в основе анализа временных рядов. В главе 4 показано, что сложные модели временных рядов Elastic ML можно использовать не только для обнаружения аномалий. Возможности прогнозирования позволяют пользователям экстраполировать тенденции и поведение в будущее, чтобы помочь в решении таких задач, как планирование мощности. В главе 5 рассказано, как детально истолковать результаты обнаружения и прогнозирования аномалий и использовать их в своих целях в визуализации данных, информационных панелях и инфографике. В главе 6 рассмотрены различные методы интеграции возможностей упреждающего уведомления Elastic и данных, полученных с по мощью машинного обучения, чтобы сделать обнаружение аномалий еще более эффективным. В главе 7 показано, как использование Elastic ML для проверки целостности и анализа данных из разрозненных источников в коррелированных представлениях дает аналитику преимущество с точки зрения наследования подходов. В главе 8 объясняется, как обнаружение аномалий используется другими приложениями в Elastic Stack для повышения эффективности анализа данных. В главе 9 рассмотрен анализ фрейма данных, его отличие от обнаружения аномалий временных рядов и рассказано, какие инструменты доступны пользователю для загрузки, подготовки, преобразования и анализа данных с по мощью Elastic ML. В главе 10 описано применение анализа фреймов в сочетании с Elastic ML в аналитике данных. В главе 11 говорится о возможности классификационного анализа фреймов данных в сочетании с Elastic ML. В главе 12 рассмотрено использование регрессионного анализа фреймов данных в сочетании с Elastic ML. Глава 13 описывает использование обученных моделей машинного обуче- ния для логического вывода – прогнозирования выходных значений во время реальной работы системы. Приложение включает в себя множество практических советов, которые отчасти выходят за рамки других глав. Эти полезные советы помогут вам максимально эффективно использовать Elastic ML.
Условные обозначения и соглашения, принятые в книге 17 как получить максимальную отДачу от этой книги Чтобы получить максимальную отдачу от этой книги, вам понадобится компью тер с хорошим подключением к интернету и учетной записью Elastic. скачивание исхоДного коДа примеров Вы можете скачать файлы примеров кода для этой книги с GitHub по адресу https://github.com/PacktPublishing/Machine-Learning-with-Elastic-Stack-Second- Edition. Если выйдет обновление кода, оно появится в репозитории GitHub. условные обозначения и соглашения, принятые в книге В книге используются следующие типографские соглашения. Курсив – используется для смыслового выделения важных положений, новых терминов, имен команд и утилит, а также слов и предложений на естественном языке. Моноширинный шрифт – применяется для листингов программ, а также в обычном тексте для обозначения имен переменных, функций, типов, объектов, баз данных, переменных среды, операторов, ключевых слов и других программных конструкций и элементов исходного кода. Моноширинный полужирный шрифт – используется для обозначения команд или фрагментов текста, которые пользователь должен ввести дословно без изменений, а также в листингах программ, если необходимо обратить особое внимание на фрагмент кода. Моноширинный курсив – применяется для обозначения в исходном коде или в командах шаблонных меток-заполнителей, которые должны быть заменены соответствующими контексту реальными значениями. Советы оформлены так. Примечания оформлены так. Важные примечания оформлены так.
Доступ онлайн
В корзину