Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi (Hayden) Liu

Indeks: KSZ-22790 EAN: 9788328388703
Książka Yuxi (Hayden) Liu praktycznie podchodzi do tematu uczenia maszynowego i w sposób przystępny dla początkujących omawia różne techniki wykorzystywania Pythona i jego bibliotek: TensorFlow 2, PyTorch i scikit-learn. Ich znajomość potrzebna jest do tworzenia systemów uczących się i rozwiązywania problemów. Autor przewodnika prezentuje wiele przykładów kodu i ćwiczeń, które pomogą czytelnikowi łatwiej zrozumieć omawiane zagadnienia.
Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi...
63,09 zł
60,08 zł netto
Zapłać później
Producent: Helion

Opis produktu: Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi (Hayden) Liu

Książka Yuxi (Hayden) Liu praktycznie podchodzi do tematu uczenia maszynowego i w sposób przystępny dla początkujących omawia różne techniki wykorzystywania Pythona i jego bibliotek: TensorFlow 2, PyTorch i scikit-learn. Ich znajomość potrzebna jest do tworzenia systemów uczących się i rozwiązywania problemów. Autor przewodnika prezentuje wiele przykładów kodu i ćwiczeń, które pomogą czytelnikowi łatwiej zrozumieć omawiane zagadnienia.

Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III.

Przewodnik po technikach uczenia maszynowego.

Informacje o autorze

Yuxi (Hayden) Liu - miłośnik nauki, autor wielu książek na temat uczenia maszynowego. Pracował nad jego zastosowaniami w takich dziedzinach jak reklama internetowa i cyberbezpieczeństwo. Aktualnie rozwija modele uczenia maszynowego w Google.

Informacje o książce

  • Tytuł oryginału: Python Machine Learning By Example: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn, 3rd Edition
  • Autor: Yuxi (Hayden) Liu
  • Tłumaczenie: Andrzej Watrak
  • ISBN: 978-83-283-8870-3
  • Oprawa: miękka
  • Ilość stron: 424
  • Rok wydania: 2022
  • Wydawnictwo: Helion S.A.

Spis treści

O autorze

O korektorach merytorycznych

Rozdział 1. Pierwsze kroki z uczeniem maszynowym w Pythonie

      • Wprowadzenie do uczenia maszynowego
          • Dlaczego uczenie maszynowe jest potrzebne?
          • Różnice między uczeniem maszynowym a automatyką
          • Zastosowania uczenia maszynowego
      • Wstępne wymagania
      • Trzy rodzaje uczenia maszynowego
      • Istota uczenia maszynowego
          • Uogólnianie danych
          • Nadmierne i niedostateczne dopasowanie modelu oraz kompromis między obciążeniem a wariancją
          • Zapobieganie nadmiernemu dopasowaniu poprzez weryfikację krzyżową
          • Zapobieganie nadmiernemu dopasowaniu za pomocą regularyzacji
          • Zapobieganie nadmiernemu dopasowaniu poprzez selekcję cech i redukcję wymiarowości
      • Wstępne przetwarzanie danych i inżynieria cech
          • Wstępne przetwarzanie i eksploracja danych
          • Inżynieria cech
      • Łączenie modeli
          • Głosowanie i uśrednianie
          • Agregacja bootstrap
          • Wzmacnianie
          • Składowanie
      • Instalacja i konfiguracja oprogramowania
          • Przygotowanie Pythona i środowiska pracy
          • Instalacja najważniejszych pakietów Pythona
          • Wprowadzenie do pakietu TensorFlow 2
      • Podsumowanie
      • Ćwiczenia

Rozdział 2. Tworzenie systemu rekomendacji filmów na bazie naiwnego klasyfikatora Bayesa

      • Pierwsze kroki z klasyfikacją
          • Klasyfikacja binarna
          • Klasyfikacja wieloklasowa
          • Klasyfikacja wieloetykietowa
      • Naiwny klasyfikator Bayesa
          • Twierdzenie Bayesa w przykładach
          • Mechanizm naiwnego klasyfikatora Bayesa
      • Implementacja naiwnego klasyfikatora Bayesa
          • Implementacja od podstaw
          • Implementacja z wykorzystaniem pakietu scikit-learn
      • Budowanie systemu rekomendacyjnego na bazie klasyfikatora Bayesa
      • Ocena jakości klasyfikacji
      • Strojenie modeli poprzez weryfikację krzyżową
      • Podsumowanie
      • Ćwiczenia
      • Bibliografia

Rozdział 3. Rozpoznawanie twarzy przy użyciu maszyny wektorów nośnych

      • Określanie granic klas za pomocą maszyny wektorów nośnych
          • Scenariusz 1. Określenie hiperpłaszczyzny rozdzielającej
          • Scenariusz 2. Określenie optymalnej hiperpłaszczyzny rozdzielającej
          • Scenariusz 3. Przetwarzanie punktów odstających
          • Implementacja maszyny wektorów nośnych
          • Scenariusz 4. Więcej niż dwie klasy
          • Scenariusz 5. Rozwiązywanie nierozdzielnego liniowo problemu za pomocą jądra
          • Wybór między jądrem liniowym a radialną funkcją bazową
      • Klasyfikowanie zdjęć twarzy za pomocą maszyny wektorów nośnych
          • Badanie zbioru zdjęć twarzy
          • Tworzenie klasyfikatora obrazów opartego na maszynie wektorów nośnych
          • Zwiększanie skuteczności klasyfikatora obrazów za pomocą analizy głównych składowych
      • Klasyfikacja stanu płodu w kardiotokografii
      • Podsumowanie
      • Ćwiczenia

Rozdział 4. Prognozowanie kliknięć reklam internetowych przy użyciu algorytmów drzewiastych

      • Wprowadzenie do prognozowania kliknięć reklam
      • Wprowadzenie do dwóch typów danych: liczbowych i kategorialnych
      • Badanie drzewa decyzyjnego od korzeni do liści
          • Budowanie drzewa decyzyjnego
          • Wskaźniki jakości podziału zbioru
      • Implementacja drzewa decyzyjnego od podstaw
      • Implementacja drzewa decyzyjnego za pomocą biblioteki scikit-learn
      • Prognozowanie kliknięć reklam za pomocą drzewa decyzyjnego
      • Gromadzenie drzew decyzyjnych: las losowy
      • Gromadzenie drzew decyzyjnych: drzewa ze wzmocnieniem gradientowym
      • Podsumowanie
      • Ćwiczenia

Rozdział 5. Prognozowanie kliknięć reklam internetowych przy użyciu regresji logistycznej

      • Klasyfikowanie danych z wykorzystaniem regresji logistycznej
          • Wprowadzenie do funkcji logistycznej
          • Przejście od funkcji logistycznej do regresji logistycznej
      • Trening modelu opartego na regresji logistycznej
          • Trening modelu opartego na regresji logistycznej z gradientem prostym
          • Prognozowanie kliknięć reklam z wykorzystaniem regresji logistycznej z gradientem prostym
          • Trening modelu opartego na regresji logistycznej ze stochastycznym gradientem prostym
          • Trening modelu opartego na regresji logistycznej z regularyzacją
          • Selekcja cech w regularyzacji L1
      • Trening modelu na dużym zbiorze danych z uczeniem online
      • Klasyfikacja wieloklasowa
      • Implementacja regresji logistycznej za pomocą pakietu TensorFlow
      • Selekcja cech z wykorzystaniem lasu losowego
      • Podsumowanie
      • Ćwiczenia

Rozdział 6. Skalowanie modelu prognozującego do terabajtowych dzienników kliknięć

      • Podstawy Apache Spark
          • Komponenty
          • Instalacja
          • Uruchamianie i wdrażanie programów
      • Programowanie z wykorzystywaniem modułu PySpark
      • Trenowanie modelu na bardzo dużych zbiorach danych za pomocą narzędzia Apache Spark
          • Załadowanie danych o kliknięciach reklam
          • Podzielenie danych i umieszczenie ich w pamięci
          • Zakodowanie "1 z n" cech kategorialnych
          • Trening i testy modelu regresji logistycznej
      • Inżynieria cech i wartości kategorialnych przy użyciu narzędzia Apache Spark
          • Mieszanie cech kategorialnych
          • Interakcja cech, czyli łączenie zmiennych
      • Podsumowanie
      • Ćwiczenia

Rozdział 7. Prognozowanie cen akcji za pomocą algorytmów regresji

      • Krótkie wprowadzenie do giełdy i cen akcji
      • Co to jest regresja?
      • Pozyskiwanie cen akcji
          • Pierwsze kroki z inżynierią cech
          • Pozyskiwanie danych i generowanie cech
      • Szacowanie za pomocą regresji liniowej
          • Jak działa regresja liniowa?
          • Implementacja regresji liniowej od podstaw
          • Implementacja regresji liniowej z wykorzystaniem pakietu scikit-learn
          • Implementacja regresji liniowej z wykorzystaniem pakietu TensorFlow
      • Prognozowanie za pomocą regresyjnego drzewa decyzyjnego
          • Przejście od drzewa klasyfikacyjnego do regresyjnego
          • Implementacja regresyjnego drzewa decyzyjnego
          • Implementacja lasu regresyjnego
      • Prognozowanie za pomocą regresji wektorów nośnych
          • Implementacja regresji wektorów nośnych
      • Ocena jakości regresji
      • Prognozowanie cen akcji za pomocą trzech algorytmów regresji
      • Podsumowanie
      • Ćwiczenia

Rozdział 8. Prognozowanie cen akcji za pomocą sieci neuronowych

      • Demistyfikacja sieci neuronowych
          • Pierwsze kroki z jednowarstwową siecią neuronową
          • Funkcje aktywacji
          • Propagacja wstecz
          • Wprowadzanie kolejnych warstw do sieci neuronowej i uczenie głębokie
      • Tworzenie sieci neuronowej
          • Implementacja sieci neuronowej od podstaw
          • Implementacja sieci neuronowej przy użyciu pakietu scikit-learn
          • Implementacja sieci neuronowej przy użyciu pakietu TensorFlow
      • Dobór właściwej funkcji aktywacji
      • Zapobieganie nadmiernemu dopasowaniu sieci
          • Dropout
          • Wczesne zakończenie treningu
      • Prognozowanie cen akcji za pomocą sieci neuronowej
          • Trening prostej sieci neuronowej
          • Dostrojenie parametrów sieci neuronowej
      • Podsumowanie
      • Ćwiczenie

Rozdział 9. Badanie 20 grup dyskusyjnych przy użyciu technik analizy tekstu

      • Jak komputery rozumieją ludzi, czyli przetwarzanie języka naturalnego
          • Czym jest przetwarzanie języka naturalnego?
          • Historia przetwarzania języka naturalnego
          • Zastosowania przetwarzania języka naturalnego
      • Przegląd bibliotek Pythona i podstawy przetwarzania języka naturalnego
          • Instalacja najważniejszych bibliotek
          • Korpusy
          • Tokenizacja
          • Oznaczanie części mowy
          • Rozpoznawanie jednostek nazwanych
          • Stemming i lematyzacja
          • Modelowanie semantyczne i tematyczne
      • Pozyskiwanie danych z grup dyskusyjnych
      • Badanie danych z grup dyskusyjnych
      • Przetwarzanie cech danych tekstowych
          • Zliczanie wystąpień wszystkich tokenów
          • Wstępne przetwarzanie tekstu
          • Usuwanie stop-słów
          • Upraszczanie odmian
      • Wizualizacja danych tekstowych z wykorzystaniem techniki t-SNE
          • Co to jest redukcja wymiarowości?
          • Redukcja wymiarowości przy użyciu techniki t-SNE
      • Podsumowanie
      • Ćwiczenia

Rozdział 10. Wyszukiwanie ukrytych tematów w grupach dyskusyjnych poprzez ich klastrowanie i modelowanie tematyczne

      • Nauka bez wskazówek, czyli uczenie nienadzorowane
      • Klastrowanie grup dyskusyjnych metodą k-średnich
          • Jak działa klastrowanie metodą k-średnich?
          • Implementacja klastrowania metodą k-średnich od podstaw
          • Implementacja klastrowania metodą k-średnich z wykorzystaniem pakietu scikit-learn
          • Dobór wartości k
          • Klastrowanie danych z grup dyskusyjnych metodą k-średnich
      • Odkrywanie ukrytych tematów grup dyskusyjnych
          • Modelowanie tematyczne z wykorzystaniem nieujemnej faktoryzacji macierzy
          • Modelowanie tematyczne z wykorzystaniem ukrytej alokacji Dirichleta
      • Podsumowanie
      • Ćwiczenia

Rozdział 11. Dobre praktyki uczenia maszynowego

      • Proces rozwiązywania problemów uczenia maszynowego
      • Dobre praktyki przygotowywania danych
          • Dobra praktyka nr 1. Dokładne poznanie celu projektu
          • Dobra praktyka nr 2. Zbieranie wszystkich istotnych pól
          • Dobra praktyka nr 3. Ujednolicenie danych
          • Dobra praktyka nr 4. Opracowanie niekompletnych danych
          • Dobra praktyka nr 5. Przechowywanie dużych ilości danych
      • Dobre praktyki tworzenia zbioru treningowego
          • Dobra praktyka nr 6. Oznaczanie cech kategorialnych liczbami
          • Dobra praktyka nr 7. Rozważenie kodowania cech kategorialnych
          • Dobra praktyka nr 8. Rozważenie selekcji cech i wybór odpowiedniej metody
          • Dobra praktyka nr 9. Rozważenie redukcji wymiarowości i wybór odpowiedniej metody
          • Dobra praktyka nr 10. Rozważenie normalizacji cech
          • Dobra praktyka nr 11. Inżynieria cech na bazie wiedzy eksperckiej
          • Dobra praktyka nr 12. Inżynieria cech bez wiedzy eksperckiej
          • Dobra praktyka nr 13. Dokumentowanie procesu tworzenia cech
          • Dobra praktyka nr 14. Wyodrębnianie cech z danych tekstowych
      • Dobre praktyki trenowania, oceniania i wybierania modelu
          • Dobra praktyka nr 15. Wybór odpowiedniego algorytmu początkowego
          • Dobra praktyka nr 16. Zapobieganie nadmiernemu dopasowaniu
          • Dobra praktyka nr 17. Diagnozowanie nadmiernego i niedostatecznego dopasowania
          • Dobra praktyka nr 18. Modelowanie dużych zbiorów danych
      • Dobre praktyki wdrażania i monitorowania modelu
          • Dobra praktyka nr 19. Zapisywanie, ładowanie i wielokrotne stosowanie modelu
          • Dobra praktyka nr 20. Monitorowanie skuteczności modelu
          • Dobra praktyka nr 21. Regularne aktualizowanie modelu
      • Podsumowanie
      • Ćwiczenia

Rozdział 12. Kategoryzacja zdjęć odzieży przy użyciu konwolucyjnej sieci neuronowej

      • Bloki konstrukcyjne konwolucyjnej sieci neuronowej
          • Warstwa konwolucyjna
          • Warstwa nieliniowa
          • Warstwa redukująca
      • Budowanie konwolucyjnej sieci neuronowej na potrzeby klasyfikacji
      • Badanie zbioru zdjęć odzieży
      • Klasyfikowanie zdjęć odzieży za pomocą konwolucyjnej sieci neuronowej
          • Tworzenie sieci
          • Trening sieci
          • Wizualizacja filtrów konwolucyjnych
      • Wzmacnianie konwolucyjnej sieci neuronowej poprzez uzupełnianie danych
          • Odwracanie obrazów w poziomie i pionie
          • Obracanie obrazów
          • Przesuwanie obrazów
      • Usprawnianie klasyfikatora obrazów poprzez uzupełnianie danych
      • Podsumowanie
      • Ćwiczenia

Rozdział 13. Prognozowanie sekwencji danych przy użyciu rekurencyjnej sieci neuronowej

      • Wprowadzenie do uczenia sekwencyjnego
      • Architektura rekurencyjnej sieci neuronowej na przykładzie
          • Mechanizm rekurencyjny
          • Sieć typu "wiele do jednego"
          • Sieć typu "jedno do wielu"
          • Sieć synchroniczna typu "wiele do wielu"
          • Sieć niesynchroniczna typu "wiele do wielu"
      • Trening rekurencyjnej sieci neuronowej
      • Długoterminowe zależności i sieć LSTM
      • Analiza recenzji filmowych za pomocą sieci neuronowej
          • Analiza i wstępne przetworzenie recenzji
          • Zbudowanie prostej sieci LSTM
          • Poprawa skuteczności poprzez wprowadzenie dodatkowych warstw
      • Pisanie nowej powieści "Wojna i pokój" za pomocą rekurencyjnej sieci neuronowej
          • Pozyskanie i analiza danych treningowych
          • Utworzenie zbioru treningowego dla generatora tekstu
          • Utworzenie generatora tekstu
          • Trening generatora tekstu
      • Zaawansowana analiza języka przy użyciu modelu Transformer
          • Architektura modelu
          • Samouwaga
      • Podsumowanie
      • Ćwiczenia

Rozdział 14. Podejmowanie decyzji w skomplikowanych warunkach z wykorzystaniem uczenia przez wzmacnianie

      • Przygotowanie środowiska do uczenia przez wzmacnianie
          • Instalacja biblioteki PyTorch
          • Instalacja narzędzi OpenAI Gym
      • Wprowadzenie do uczenia przez wzmacnianie z przykładami
          • Komponenty uczenia przez wzmacnianie
          • Sumaryczna nagroda
          • Algorytmy uczenia przez wzmacnianie
      • Problem FrozenLake i programowanie dynamiczne
          • Utworzenie środowiska FrozenLake
          • Rozwiązanie problemu przy użyciu algorytmu iteracji wartości
          • Rozwiązanie problemu przy użyciu algorytmu iteracji polityki
      • Metoda Monte Carlo uczenia przez wzmacnianie
          • Utworzenie środowiska Blackjack
          • Ocenianie polityki w metodzie Monte Carlo
          • Sterowanie Monte Carlo z polityką
      • Problem taksówkarza i algorytm Q-uczenia
          • Utworzenie środowiska Taxi
          • Implementacja algorytmu Q-uczenia
      • Podsumowanie
      • Ćwiczenia

Skorowidz

Książka - Autor Yuxi (Hayden) Liu
Książka - ISBN 978-83-283-8870-3
Książka - Oprawa miękka
Książka - Wydawnictwo Helion S.A.
Tematyka Sztuczna inteligencja
Szerokość opakowania 16.5 cm
Wysokość opakowania 23.5 cm
Głębokość opakowania 2 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: