- Nowość!
Opis produktu: Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie - Piotr Wróblewski
Podręcznik z ćwiczeniami przeznaczony dla programistów przedstawia m. in. użycie języka Python do rozwiązywania problemów AI, tajniki analizy tekstów oraz analizy sentymentu. Wyjaśnia użycie algorytmów klasyfikacji, regresji i grupowania do rozwiązywania problemów biznesowych. Książka skupia się na praktycznym spojrzeniu na AI. Większość zastosowań sztucznej inteligencji bazuje na ML (uczenie maszynowe), NLP (przetwarzanie języka naturalnego) i architekturze RAG zwiększającej możliwości tzw. dużych modeli językowych (LLM). Stanowią one podstawy budowy systemów AI, bez których te systemy często wcale nie mogłyby powstać. Machine Learning oraz NLP jest teraz używane podczas codziennej pracy programistów, a w szczególności programistów Python. Podręcznik ułatwia naukę programowania w Pythonie oraz zawiera praktyczne przykłady i ćwiczenia.
Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie - Piotr Wróblewski.
Podręcznik z ćwiczeniami przeznaczony dla programistów.
Informacje o autorze
Absolwent Politechniki Śląskiej i uczelni inżynierskiej ENSSAT (w Lannion w Bretanii), ukończył studia z zarządzania i marketingu - Master HEC w Szkole Biznesu Politechniki Warszawskiej. Aktualnie autor książek z dziedziny informatyki. Wydał wiele podręczników o programowaniu i obsłudze komputerów ("ABC komputera" i "Algorytmy"). Specjalizuje się w bezpieczeństwie aplikacji (klasycznych i oferowanych w chmurze) i rozwijaniu produktów wspomagających cyberbezpieczeństwo.
Informacje o książce
- Tytuł: Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie
- Autor: Piotr Wróblewski
- ISBN: 978-83-289-1580-0
- Rok wydania: 2024
- Format: 158 x 235 mm
- Liczba stron: 296
- Oprawa: miękka
- Wydawnictwo: Helion S.A.
Spis treści
Wstęp
Rozdział 1. O technikach ML, NLP oraz AI bez zbędnej teorii
- Bać się czy nie bać AI?
- Zastosowania sztucznej inteligencji
- Systemy eksperckie
- Sieci neuronowe
- Uczenie maszynowe
- Modelowanie problemów w Pythonie
- Tablice - podstawowa struktura w przetwarzaniu danych
- Grafy - modelowanie stanów i przejść
- Klasy - modelowanie rzeczywistości
- Modelem jestem
- Z nauczycielem czy bez?
- Nauczanie nadzorowane
- Nauczanie nienadzorowane
- Techniki mieszane
- Ważniejsze biblioteki AI/ML i NLP w Pythonie
- Pakiety uniwersalne
- Pakiety przydatne w ML i NLP
- Na deser - Noam Chomsky o AI
Rozdział 2. Niezbędnik warsztatowy programisty Pythona
- Testujemy poprawność instalacji Pythona
- Instalator pip i biblioteki Pythona
- Edytory do Pythona
- Środowiska IDE
- IDLE
- PyCharm
- Visual Studio Community
- Notatniki Jupyter
- Dokumentacja Pythona
- Używanie zasobów GitHuba
Rozdział 3. NLP - przybornik
- Odczyt plików i katalogów
- Rodzaje plików
- Otwieranie plików
- Klasa Path
- Napisy - na co zwrócić uwagę
- Napisy to nie tablice
- Konwersje
- Wyrażenia regularne
- Pobieranie tekstu z plików PDF
- Instalacja i konfiguracja spaCy
- Instalacja i konfiguracja NLTK
- Podstawowe techniki NLP
- Tokenizacja bez zadyszki
- NER, czyli nazwy własne
- NER w spaCy
- Czas na pomiar
- Stop word - co z tym fantem zrobić?
- NLTK i spaCy - co dalej?
Rozdział 4. NLP - zastosowania
- Powtórka z NumPy
- Tablice i macierze
- Deklarowanie tablic i macierzy w pigułce
- Funkcje tablicowe
- Zmiany układu i rozmiaru tablic
- Wycinki, czyli opanuj dwukropek
- Powtórka z Pandas
- Model danych w bibliotece Pandas
- Obiekty Pandas Series
- Obiekty Pandas DataFrame
- Import danych zewnętrznych
- Czyszczenie danych
- Analiza jadłospisu pandy
- Nauczanie nadzorowane w pigułce
- Macierz konfuzji
- Ewaluacja modeli klasyfikacji
- Wstępniak z scikit-learn
- Klasyfikacja na przykładzie
- Analiza podobieństwa
- Wektoryzacja w spaCy
- Techniczne aspekty wektoryzacji
- Klasyfikacja - ciąg dalszy
- Klasyfikacja dla liczby klas większej niż 2
- Analiza sentymentu
- VADER
- TextBlob
Rozdział 5. ChatGPT to. nie tylko czat!
- Czym jest ChatGPT?
- Wektory słów i word embeddings
- Nie tylko chat
- Podłączamy się do serwisu OpenAI przez API
- Tworzenie konta w usłudze OpenAI
- Klucz API do komunikacji z usługą GPT
- Bezpieczeństwo klucza API
- Konwersacja z ChatGPT przez API
- Szablon zapytania do ChatGPT API
- Dłuższe sesje z ChatGPT API
- Podłączamy ChatGPT do internetu
- Naucz się web scrappingu
- Analiza sentymentu recenzji internetowych
- Interfejs embeddings serwisu OpenAI
Rozdział 6. Szybka analiza danych przy użyciu Matplotlib
- Wykresy punktowe i liniowe
- Modyfikacje wyglądu wykresu
- Wykresy wielokrotne
- Popularne miary statystyczne
- Rozkład normalny warto znać!
- Popularne wykresy analizy danych
- Wykresy słupkowe
- Histogramy
- Wykres skrzypcowy
- Wykres pudełkowy
- Mapa cieplna
- Podręcznik Matplotlib na bezludną wyspę?
Rozdział 7. Czy można przewidzieć nieznane?
- Zastosowania regresji liniowej
- Kiedy regresja działa, a kiedy nie?
- Wstępna analiza statystyczna danych
- Regresja z użyciem biblioteki scikit-learn
Rozdział 8. Podział klasowy bez złych skojarzeń
- Metody skalowania cech
- Skalowanie cech - przykład
- Analiza wartości odstających
- Klasyfikacja bez standaryzacji i ze standaryzacją
- Zmienne kategoryczne - co z tym fantem zrobić?
- Preprocesowanie danych przy użyciu ColumnTransformer
- Gdy klas jest więcej niż dwie
- Klasyfikacja obrazów
Rozdział 9. Dziel i rządź, czyli klasteryzacja
- Niebo gwiaździste nade mną.
- Popularne algorytmy realizujące klasteryzację
- Pierwsze klastrowanie w Pythonie
- Klastrowanie hierarchiczne
- Algorytm centroidów (K-Means)
- Więcej wymiarów
- Kłopotliwe dane kategoryczne
- K-modes
- K-prototypes
- A może dwa wróble w garści?
Podsumowanie
Skorowidz
Przydatne linki |
