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