Nasza specjalność? Elektronika i druk 3D
Szybka dostawa 30 dni na zwrot
Magazyn i serwis? U nas, w Polsce!
Doradzamy i inspirujemy +1,7 mln zamówień
Nasza specjalność? Elektronika i druk 3D
Szybka dostawa 30 dni na zwrot
Magazyn i serwis? U nas, w Polsce!
Doradzamy i inspirujemy +1,7 mln zamówień

Zaufało nam już ponad 500 000 klientów. U nas masz:

 

wysyłkę tego samego dnia przy produktach z oznaczeniem „Wysyłka 24h”

 

własny serwis w Polsce

 

30 dni na zwrot i darmową dostawę w Polsce od 500 zł

 

4,9/5 w TrustMate i 4,9/5 w Google (prawie 4000 opinii)

 

fakturę VAT, leasing i raty dla firm

Dla firm

 

indywidualna wycena przy większych ilościach

 

leasing i raty od 1000 zł

 

faktura VAT

Dla szkół i uczelni

 

0% VAT na wybrane produkty

 

faktura z terminem płatności

 

pomoc w doborze zestawów do pracowni

Złóż zapytanie ofertowe - odpowiadamy szybko.

Indeks: KSZ-19782
EAN: 9788383227511

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. 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.

Cena:
Cena netto:

Produkt wycofany ze sprzedaży

Ten model nie jest już produkowany i nie wróci do naszej oferty.

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.

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
Nazwa Wartość
Książka - Autor Andreas C. Müller, Sarah Guido
Książka - ISBN 978-83-283-7408-9
Książka - Oprawa miękka
Książka - Wydawnictwo Helion S.A.
Tematyka
  • Python
  • Sztuczna inteligencja
Szerokość 24 cm
Wysokość 2 cm
Głębokość 17 cm
Waga 0,6 kg

Darmowa dostawa od 500,00 zł

Przy zamówieniach o wartości 500,00 zł i więcej koszt przesyłki pokrywamy my, niezależnie od wybranego przewoźnika. Dotyczy dostawy do kraju: Polska.

Sposób dostawy Czas dostawy Koszt
GLS Automaty Dostawa 24h od 8,99 zł
InPost Paczkomat® 24/7 Dostawa 24h (ubezpieczenie do 200 zł) od 13,99 zł
InPost Kurier Dostawa 24h od 14,99 zł
Kurier GLS Dostawa 24h od 14,99 zł
InPost Paczka w Weekend Dostawa w sobotę od 19,99 zł
InPost Kurier (pobranie) Dostawa 24h od 22,99 zł
Ambro Express (bez wniesienia) Dostawa 1-2 dni od 150,00 zł
Ambro Express (z wniesieniem) Dostawa 1-2 dni od 200,00 zł

Szczegółowe warunki dostawy znajdziesz na stronie Dostawa i płatności.

Zasady składania reklamacji towaru

Zgodnie z obowiązującymi przepisami, ponosimy odpowiedzialność na zasadach określonych w Kodeksie Cywilnym za wady fizyczne i prawne.

Po wykryciu wady Kupujący ma prawo:

  • złożyć oświadczenie o żądaniu obniżenia ceny,
  • złożyć oświadczenie o odstąpieniu od umowy, ale nie wtedy kiedy wada jest nieistotna,
  • żądać wymiany rzeczy na wolną od wad,
  • żądać usunięcia wady.

Informujemy, że Dział Reklamacji firmy Botland rozpatruje zgłoszenia w ciągu 14 dni kalendarzowych od daty ich wpłynięcia. Botland odpowiada z tytułu rękojmi jeśli wada fizyczna zostanie stwierdzona przed upływem dwóch lat od momentu wydania rzeczy.

Informacje dotyczące korzystania z prawa odstąpienia od umowy

Zgodnie z aktualnymi przepisami prawnymi Konsument ma prawo odstąpić od umowy kupna-sprzedaży w terminie 30 dni bez podania przyczyny. Termin ten wygasa po upływie 30 dni od momentu, w którym Konsument wszedł w posiadanie rzeczy lub w którym osoba trzecia inna niż przewoźnik i wskazana przez Konsumenta weszła w posiadanie rzeczy.

Informujemy, że zgodnie z obowiązującymi przepisami oraz §4 Regulaminu zwrot towaru przysługuje wyłącznie Konsumentom (zakup niezwiązany bezpośrednio działalnością gospodarczą lub zawodową). Zwroty nie przysługują Klientom (zakup związany bezpośrednio działalnością gospodarczą lub zawodową).

Przebieg reklamacji / zwrotu

W celu zgłoszenia reklamacji prosimy postępować zgodnie z instrukcją:

  1. Zapoznaj się z zasadami reklamacji / zwrotu.
  2. Wypełnij formularz, który znajduje się poniżej.
  3. Zapoznaj się z treścią otrzymanej odpowiedzi.
  4. Po otrzymaniu wiadomości e-mail ze statusem „Oczekiwanie na przesyłkę”, zabezpiecz i zapakuj niesprawny produkt.
  5. Wyślij przesyłkę na podany niżej adres wraz z wydrukowanym formularzem oraz dowodem zakupu.
Formularz reklamacyjny

W celu rozpoczęcia procedury reklamacyjnej / zwrotu, wypełnij formularz.

Adres do wysyłki

BOTLAND - SERWIS
Gola 25A
63-640 Bralin

Zasady reklamacji

W celu sprawnego przeprowadzenia procesu reklamacji, prosimy o zapoznanie się z opisanymi poniżej zasadami:

  1. Przed odesłaniem sprzętu prosimy o upewnienie się, iż produkt faktycznie jest niesprawny.
  2. W celu sprawnego przebiegu reklamacji prosimy o wypełnienie formularza reklamacyjnego oraz dołączenie go do przesyłki.
  3. Do reklamowanych produktów prosimy dołączyć dowód zakupu (np. paragon, fakturę lub potwierdzenie wykonania przelewu).
  4. Towar należy starannie zapakować, aby zapewnić bezpieczny transport i zapobiec kolejnym uszkodzeniom.
  5. Firma Botland nie odbiera paczek reklamacyjnych wysłanych za pobraniem oraz paczek nadawanych do automatów paczkowych np. urządzeń Paczkomat.
  6. Zwrot kosztów przesyłki następuje po uznaniu reklamacji. Jest to kwota zgodna z najtańszą oferowaną formą dostawy.
  7. Po uznaniu reklamacji zwrot środków nastąpi w ciągu 14 dni. Zwrotu dokonamy przy użyciu takich samych sposobów płatności oraz w tej samej walucie, jakie zostały użyte w pierwotnej transakcji, chyba że Kupujący wyraził zgodę na inne rozwiązanie lub je zaproponował.
  8. Sprzęt prosimy odsyłać kompletny razem z akcesoriami. Produkty niekompletne zostaną odesłane bez rozpatrzenia na koszt nadawcy.
  9. Samodzielna naprawa, przeprowadzona przez osoby nieuprawnione, tj. niebędąca naprawą przez firmę Botland, pozbawia Kupującego prawa do dalszego reklamowania.
  10. O sposobie rozpatrzenia reklamacji Kupujący zostanie poinformowany drogą elektroniczną (poprzez wiadomość e-mail).
  11. Szczegółowe informacje dotyczące aktualnych kosztów wysyłki znajdują się na stronie www.botland.com.pl w zakładce Dostawa.
  12. Odesłanie sprzętu jest równoznaczne z zapoznaniem się z powyższymi zasadami.

Zasady zwrotu towaru

  1. W celu skorzystania z prawa odstąpienia od umowy, Konsument zobowiązany jest poinformować Sprzedającego o swojej decyzji poprzez jednoznaczne oświadczenie.
  2. W celu sprawnego przeprowadzenia procesu zwrotu prosimy o wypełnienie formularza. Konsument może również skorzystać z innego oświadczenia niż zamieszczony formularz.
  3. W przypadku odstąpienia od umowy zwracamy wszystkie otrzymane płatności, w tym koszty dostarczenia rzeczy do Konsumenta (z wyjątkiem dodatkowych kosztów wynikających z wybranego przez Konsumenta sposobu dostarczenia innego niż najtańszy przez nas oferowany). Konsument ponosi koszty przesyłki zwrotnej. Zwrot środków nastąpi w ciągu 14 dni od dnia, w którym zostaliśmy poinformowani o decyzji odstąpienia od umowy. Zwrotu dokonamy przy użyciu takich samych sposobów płatności oraz w tej samej walucie, jakie zostały użyte w pierwotnej transakcji, chyba że Konsument wyraził zgodę na inne rozwiązanie lub je zaproponował.
  4. Możemy wstrzymać się ze zwrotem płatności do czasu otrzymania rzeczy lub dostarczenia nam dowodu jej odesłania, w zależności od tego, które zdarzenie nastąpi wcześniej.
  5. Prosimy o odesłanie lub przekazanie nam rzeczy niezwłocznie, a w każdym razie nie później niż 14 dni od dnia, w którym zostaliśmy poinformowani o odstąpieniu od umowy. Prosimy również o staranne zapakowanie towaru przed wysyłką.
  6. Konsument odpowiada tylko za zmniejszenie wartości produktu wynikającej z korzystania w sposób inny niż było to konieczne do stwierdzenia cech i funkcjonalności.
  7. Firma Botland nie odbiera paczek zwrotnych wysłanych za pobraniem oraz paczek nadawanych do automatów paczkowych np. urządzeń Paczkomat.

Zadaj pierwsze pytanie o ten produkt!

Instrukcje i dokumenty

Dane GPSR

Kraj pochodzenia Polska
Dane kontaktowe producenta Helion.pl sp. z o.o. ul. Kościuszki 1c 44-100 Gliwice [email protected]
Dane kontaktowe wprowadzającego na rynek UE Helion.pl sp. z o.o. ul. Kościuszki 1c 44-100 Gliwice [email protected]
Inni klienci oglądali również

Brak opinii dla tego produktu.