Machine learning, Python i data science. Wprowadzenie - Andreas C. Müller, Sarah Guido

Uwaga! Sprzedaż produktu została zakończona. Sprawdź inne w tej kategorii.Opis produktu: Machine learning, Python i data science. Wprowadzenie - Andreas C. Müller, Sarah Guido

Książka podejmuje temat uczenia maszynowego, które kojarzy się głównie z dużymi firmami i rozbudowanymi zespołami. Jednak obecnie możliwe jest samodzielne budowanie zaawansowanych rozwiązań uczenia maszynowego oraz korzystanie do woli z ogromnych zasobów dostępnych danych. Wymaga to jednak podstawowej wiedzy.

Większość opracowań na temat uczenia maszynowego i sztucznej inteligencji opiera się na zaawansowanej matematyce. Utrudnia to naukę w obrębie tych zagadnień. Ta praktyczna książka ułatwi Ci rozpoczęcie wdrażania rozwiązań rzeczywistych problemów związanych z uczeniem maszynowym.Machine learning, Python i data science. Wprowadzenie - Andreas C. Müller, Sarah Guido.Ta praktyczna książka ułatwi Ci rozpoczęcie wdrażania rozwiązań rzeczywistych problemów związanych z uczeniem maszynowym.Główne zagadnienia

* Podstawowe informacje o uczeniu maszynowym

* Najważniejsze algorytmy uczenia maszynowego

* Przetwarzanie danych w uczeniu maszynowym

* Ocena modelu i dostrajanie parametrów

* Łańcuchy modeli i hermetyzacja przepływu pracy

* Przetwarzanie danych tekstowych

Informacje o książce

* Tytuł Oryginału: Introduction to Machine Learning with Python: A Guide for Data Scientists

* Autor: Andreas C. Müller, Sarah Guido

* Tłumaczenie: Michał Sternik

* ISBN: 978-83-8322-751-1

* Rok wydania: 2021

* Format: 168 x 237 mm

* Ilość stron: 320

* Wydawnictwo: Helion S.A.

* Oprawa: miękka

Spis treści:

* 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 makepipeline * 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