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

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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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

1. • 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