• Obniżka

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

Indeks: KSZ-19782 EAN: 9788383227511
Książka podejmuje temat uczenia maszynowego, które kojarzy się głównie z dużymi firmami i rozbudowanymi zespołami. Obecnie jednak możliwe jest samodzielne budowanie zaawansowanych rozwiązań uczenia maszynowego oraz korzystanie do woli z ogromnych zasobów dostępnych danych. 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
49,90 zł -3%
48,40 zł
46,10 zł netto
Najniższa cena z 30 dni: 48,40 zł
Zapłać później
Producent: Helion

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.

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

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 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

Książka - Autor Andreas C. Müller, Sarah Guido
Książka - ISBN 978-83-283-7408-9
Książka - Oprawa miękka
Książka - Wydawnictwo Helion S.A.
Tematyka Sztuczna inteligencja
Tematyka Python
Szerokość opakowania 24 cm
Wysokość opakowania 2 cm
Głębokość opakowania 17 cm
Masa opakowania 0.6 kg

Jako pierwszy zadaj pytanie dotyczące tego produktu!

Klienci którzy zakupili ten produkt kupili również:

Produkty z tej samej kategorii: