| |||||
Strona główna > opis książki
• polskie
• Zamów informacje o nowościach z wybranego tematu • kontakt |
MACHINE LEARNING PYTHON I DATA SCIENCEMÜLLER A.C. GUIDO S.wydawnictwo: HELION, 2021, wydanie Icena netto: Machine learning Python i data scienceWprowadzenieUczenie maszynowe kojarzy się z dużymi firmami i rozbudowanymi zespołami. Prawda jest taka, że obecnie można samodzielnie budować zaawansowane rozwiązania uczenia maszynowego i korzystać do woli z olbrzymich zasobów dostępnych danych. Trzeba tylko mieć pomysł i... trochę podstawowej wiedzy. Tymczasem większość opracowań na temat uczenia maszynowego i sztucznej inteligencji wymaga biegłości w zaawansowanej matematyce. Utrudnia to naukę tego zagadnienia, mimo że uczenie maszynowe jest coraz powszechniej stosowane w projektach badawczych i komercyjnych. Ta praktyczna książka ułatwi Ci rozpoczęcie wdrażania rozwiązań rzeczywistych problemów związanych z uczeniem maszynowym. Zawiera przystępne wprowadzenie do uczenia maszynowego i sztucznej inteligencji, a także sposoby wykorzystania Pythona i biblioteki scikit-learn, uwzględniające potrzeby badaczy i analityków danych oraz inżynierów pracujących nad aplikacjami komercyjnymi. Zagadnienia matematyczne ograniczono tu do niezbędnego minimum, zamiast tego skoncentrowano się na praktycznych aspektach algorytmów uczenia maszynowego. Dokładnie opisano, jak konkretnie można skorzystać z szerokiej gamy modeli zaimplementowanych w dostępnych bibliotekach. W książce między innymi:
Przedmowa Kto powinien przeczytać tę książkę Dlaczego napisaliśmy tę książkę Jak poruszać się po książce Zasoby online Konwencje stosowane w książce Korzystanie z przykładowego kodu Podziękowania Od Andreasa Od Sarah Rozdział 1. Wprowadzenie Dlaczego uczenie maszynowe? Problemy, które może rozwiązać uczenie maszynowe Znajomość zadania i znajomość danych Dlaczego Python? scikit-learn Instalacja scikit-learn Podstawowe biblioteki i narzędzia Jupyter Notebook NumPy SciPy matplotlib pandas mglearn Python 2 a Python 3 Wersje użyte w tej książce Pierwsza aplikacja: klasyfikacja gatunków irysa Zapoznaj się z danymi Sprawdzanie osiągnięcia sukcesu: dane treningowe i testowe Najpierw najważniejsze: zapoznaj się z danymi Budowa pierwszego modelu: k-najbliżsi sąsiedzi Przewidywania Ocena modelu Podsumowanie i przegląd Rozdział 2. Nadzorowane uczenie maszynowe Klasyfikacja i regresja Uogólnianie, nadmierne dopasowanie i niedopasowanie Relacja złożoności modelu do rozmiaru zestawu danych Nadzorowane algorytmy uczenia maszynowego Przykładowe zestawy danych k-najbliższych sąsiadów Klasyfikacja k-sąsiadów Analiza KNeighborsClassifier Regresja k-sąsiadów Analiza KNeighborsRegressor Mocne i słabe strony i parametry Modele liniowe Modele liniowe do regresji Regresja liniowa (inaczej zwykła metoda najmniejszych kwadratów) Regresja grzbietowa Model Lasso Modele liniowe do klasyfikacji Modele liniowe dla klasyfikacji wieloklasowej Mocne, słabe punkty i parametry Naiwne klasyfikatory Bayesa Mocne i słabe strony oraz parametry Drzewa decyzyjne Budowanie drzew decyzyjnych Kontrolowanie złożoności drzew decyzyjnych Analiza drzew decyzyjnych Ważność cech w drzewach Mocne, słabe strony i parametry Zespoły drzew decyzyjnych Lasy losowe Drzewa regresji ze wzmocnieniem gradientowym (maszyny ze wzmocnieniem gradientowym) Maszyny wektorów nośnych Modele liniowe i cechy nieliniowe Kernel trick SVM Dostrajanie parametrów SVM Wstępne przetwarzanie danych dla maszyn SVM Mocne i słabe strony oraz parametry Sieci neuronowe (głębokie uczenie) Model sieci neuronowej Dostrajanie sieci neuronowych Mocne i słabe strony oraz parametry Szacunki niepewności na podstawie klasyfikatorów Funkcja decyzyjna Prognozy prawdopodobieństw Niepewność w klasyfikacji wieloklasowej Podsumowanie i przegląd Rozdział 3. Uczenie nienadzorowane i przetwarzanie wstępne Rodzaje nienadzorowanego uczenia maszynowego Wyzwania związane z uczeniem nienadzorowanym Przetwarzanie wstępne i skalowanie Różne rodzaje przetwarzania wstępnego Zastosowanie transformacji danych Skalowanie danych treningowych i testowych w ten sam sposób Wpływ przetwarzania wstępnego na uczenie nadzorowane Redukcja wymiarowości, wyodrębnianie cech i wielorakie uczenie Analiza głównych komponentów (PCA) Zastosowanie PCA do zbioru danych Breast Cancer w celu wizualizacji Powierzchnia własna do wyodrębniania cech Nieujemna faktoryzacja macierzy (NMF) Zastosowanie NMF do danych syntetycznych Stosowanie NMF do obrazów twarzy Manifold learning z t-SNE Grupowanie Grupowanie k-średnich Przypadki awarii grupowania k-średnich Kwantyzacja wektorowa lub postrzeganie grupowania k-średnich jako dekompozycji Grupowanie aglomeracyjne Grupowanie hierarchiczne i dendrogramy DBSCAN Porównanie i ocena algorytmów grupowania Ocenianie grupowania z prawdą podstawową Ocenianie grupowania bez prawdy podstawowej Porównanie algorytmów na zestawie danych twarzy Podsumowanie metod grupowania Podsumowanie i przegląd Rozdział 4. Reprezentacja danych i cechy inżynierskie Zmienne kategorialne Kodowanie jeden-z-N (zmienne fikcyjne) Sprawdzanie danych kategorialnych zakodowanych w postaci ciągów znaków Liczby mogą kodować zmienne kategorialne Dzielenie, dyskretyzacja, modele liniowe i drzewa Interakcje i wielomiany Jednowymiarowe transformacje nieliniowe Automatyczny wybór cechy Statystyki jednoczynnikowe Wybór cechy na podstawie modelu Iteracyjny wybór cech Wykorzystanie wiedzy eksperckiej Podsumowanie i przegląd Rozdział 5. Ocena i doskonalenie modelu Walidacja krzyżowa Walidacja krzyżowa w scikit-learn Korzyści z walidacji krzyżowej Stratyfikowana k-krotna walidacja krzyżowa i inne strategie Większa kontrola nad walidacją krzyżową Walidacja krzyżowa z pominięciem Walidacja krzyżowa z podziałem losowym Walidacja krzyżowa z grupami Przeszukiwanie siatki Proste przeszukiwanie siatki Nadmierne dopasowanie parametrów i zestaw walidacyjny Przeszukiwanie siatki z walidacją krzyżową Analiza wyniku walidacji krzyżowej Przeszukiwanie przestrzeni, które nie są siatkami Korzystanie z różnych strategii walidacji krzyżowej z przeszukiwaniem siatki Zagnieżdżona walidacja krzyżowa Równoległa walidacja krzyżowa i przeszukiwanie siatki Wskaźniki oceny i punktacja Pamiętaj o celu Metryki klasyfikacji binarnej Rodzaje błędów Niezbalansowane zestawy danych Macierze błędu Branie pod uwagę niepewności Krzywe precision-recall i krzywe ROC Charakterystyka pracy odbiornika (ROC) i AUC Metryki klasyfikacji wieloklasowej Metryki regresji Używanie metryk oceny w wyborze modelu Podsumowanie i przegląd Rozdział 6. Łańcuchy algorytmów i potoki Wybór parametrów z przetwarzaniem wstępnym Tworzenie potoków Używanie potoków w przeszukiwaniu siatki Ogólny interfejs potoku Wygodne tworzenie potoków za pomocą funkcji make_pipeline Dostęp do atrybutów kroku Dostęp do atrybutów klasy GridSearchCV Kroki przetwarzania wstępnego przeszukiwania siatki i parametry modelu Przeszukiwanie siatki modeli Podsumowanie i przegląd Rozdział 7. Praca z danymi tekstowymi Typy danych przedstawione jako ciągi znaków Przykładowe zastosowanie: analiza recenzji filmowych Przedstawianie danych tekstowych w postaci worka słów Stosowanie worka słów do przykładowego zestawu danych Zastosowanie worka słów do recenzji filmowych Słowa pomijalne Skalowanie danych z tf-idf Badanie współczynników modelu Worek słów z więcej niż jednym słowem (n-gram) Zaawansowana tokenizacja, stemming i lematyzacja Modelowanie tematów i grupowanie dokumentów Utajniona alokacja Dirichleta Podsumowanie i przegląd Rozdział 8. Podsumowanie Podejście do problemu uczenia maszynowego Informowanie ludzi Od prototypu do produkcji Testowanie systemów na produkcji Tworzenie własnego estymatora Co dalej Teoria Inne narzędzia i pakiety do uczenia maszynowego Ranking, systemy rekomendujące i inne rodzaje uczenia Modelowanie probabilistyczne, wnioskowanie i programowanie probabilistyczne Sieci neuronowe Skalowanie do większych zestawów danych Doskonalenie umiejętności Podsumowanie O autorach Kolofon 320 stron, Format: 16.6x24.0cm, oprawa miękka
Po otrzymaniu zamówienia poinformujemy pocztą e-mail lub telefonicznie, |
