Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data
![Język publikacji: angielski Język publikacji: angielski](https://static01.helion.com.pl/global/flagi/1.png)
- Autor:
- Ankur A. Patel
![Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data Ankur A. Patel - okładka ebooka](https://static01.helion.com.pl/global/okladki/326x466/e_11id.png)
![Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data Ankur A. Patel - tył okładki ebooka](https://static01.helion.com.pl/global/okladki-tyl/326x466/e_11id.png)
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 362
- Dostępne formaty:
-
ePubMobi
Opis ebooka: Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data
Many industry experts consider unsupervised learning the next frontier in artificial intelligence, one that may hold the key to general artificial intelligence. Since the majority of the world's data is unlabeled, conventional supervised learning cannot be applied. Unsupervised learning, on the other hand, can be applied to unlabeled datasets to discover meaningful patterns buried deep in the data, patterns that may be near impossible for humans to uncover.
Author Ankur Patel shows you how to apply unsupervised learning using two simple, production-ready Python frameworks: Scikit-learn and TensorFlow using Keras. With code and hands-on examples, data scientists will identify difficult-to-find patterns in data and gain deeper business insight, detect anomalies, perform automatic feature engineering and selection, and generate synthetic datasets. All you need is programming and some machine learning experience to get started.
- Compare the strengths and weaknesses of the different machine learning approaches: supervised, unsupervised, and reinforcement learning
- Set up and manage machine learning projects end-to-end
- Build an anomaly detection system to catch credit card fraud
- Clusters users into distinct and homogeneous groups
- Perform semisupervised learning
- Develop movie recommender systems using restricted Boltzmann machines
- Generate synthetic images using generative adversarial networks
Wybrane bestsellery
-
Wielu ekspertów branżowych uważa uczenie nienadzorowane za kolejną granicę w dziedzinie sztucznej inteligencji, która może stanowić klucz do pełnej sztucznej inteligencji. Ponieważ większość danych na świecie jest nieoznakowana, nie można do nich zastosować konwencjonalnego uczenia ...(54.78 zł najniższa cena z 30 dni)
71.82 zł
79.80 zł(-10%) -
NLP has exploded in popularity over the last few years. But while Google, Facebook, OpenAI, and others continue to release larger language models, many teams still struggle with building NLP applications that live up to the hype. This hands-on guide helps you get up to speed on the latest and mos...(213.33 zł najniższa cena z 30 dni)
213.23 zł
259.00 zł(-18%) -
Tę książkę docenią średnio zaawansowani użytkownicy Pythona, którzy tworzą aplikacje korzystające z osiągnięć nauki o danych. Znajdziesz w niej omówienie możliwości języka, wbudowanych struktur danych Pythona, jak również takich bibliotek jak NumPy, pandas, scikit-learn i matplotlib. Nauczysz się...(55.20 zł najniższa cena z 30 dni)
55.20 zł
69.00 zł(-20%) -
Internet rozwija się w niesamowitym tempie. Dawniej sieć WWW była prostsza ― projektanci łączyli kod PHP, HTML i zapytania do MySQL w jednym pliku. Z czasem urosła do miliardów stron, co radykalnie zmieniło jej kształt. Zmieniły się też narzędzia i sposób pracy. Dziś idealnym wyborem dewelo...(55.20 zł najniższa cena z 30 dni)
55.20 zł
69.00 zł(-20%) -
Czy jesteś gotowy, aby wznieść swoje umiejętności programowania w Pythonie na zupełnie nowy poziom? Najnowsza publikacja renomowanego autora Kevina Clarksona to prawdziwa skarbnica wiedzy dla doświadczonych programistów, którzy pragną zgłębić najbardziej zaawansowane aspekty tego wszechstronnego ...
-
Oddajemy w Państwa ręce kompendium wiedzy, które stanowi nieocenione źródło informacji dla wszystkich zainteresowanych zgłębianiem tajników uczenia maszynowego i głębokiego uczenia. Ta obszerna publikacja, licząca ponad 800 stron, jest prawdziwą skarbnicą wiedzy teoretycznej i praktycznej, staran...
-
Dzięki tej książce dowiesz się, jak pozyskiwać, analizować i wizualizować dane, a potem używać ich do rozwiązywania problemów biznesowych. Wystarczy, że znasz podstawy Pythona i matematyki na poziomie liceum, aby zacząć stosować naukę o danych w codziennej pracy. Znajdziesz tu szereg praktycznych...(41.40 zł najniższa cena z 30 dni)
41.40 zł
69.00 zł(-40%) -
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
To trzecie, zaktualizowane i uzupełnione wydanie bestsellerowego podręcznika programowania w Pythonie. Naukę rozpoczniesz od podstawowych koncepcji programowania. Poznasz takie pojęcia jak zmienne, listy, klasy i pętle, a następnie utrwalisz je dzięki praktycznym ćwiczeniom. Dowiesz się, jak zape...(71.40 zł najniższa cena z 30 dni)
71.40 zł
119.00 zł(-40%) -
Nie musisz dłużej czekać na włączenie Pythona jako języka skryptowego Excela - ta książka wyjaśnia, jak je połączyć i wyciągnąć z tej integracji maksimum korzyści. To wydanie przeznaczone dla zaawansowanych użytkowników Excela, którzy nie posiadają głębokiej wiedzy o Pythonie. Pokazuje, w jaki sp...(41.40 zł najniższa cena z 30 dni)
41.40 zł
69.00 zł(-40%)
Ebooka "Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- ISBN Ebooka:
- 978-14-920-3559-6, 9781492035596
- Data wydania ebooka:
-
2019-02-21
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku ePub:
- 3.9MB
- Rozmiar pliku Mobi:
- 8.5MB
Spis treści ebooka
- Preface
- A Brief History of Machine Learning
- AI Is Back, but Why Now?
- The Emergence of Applied AI
- Major Milestones in Applied AI over the Past 20 Years
- From Narrow AI to AGI
- Objective and Approach
- Prerequisites
- Roadmap
- Conventions Used in This Book
- Using Code Examples
- OReilly Online Learning
- How to Contact Us
- I. Fundamentals of Unsupervised Learning
- 1. Unsupervised Learning in the Machine Learning Ecosystem
- Basic Machine Learning Terminology
- Rules-Based vs. Machine Learning
- Supervised vs. Unsupervised
- The Strengths and Weaknesses of Supervised Learning
- The Strengths and Weaknesses of Unsupervised Learning
- Using Unsupervised Learning to Improve Machine Learning Solutions
- Insufficient labeled data
- Overfitting
- Curse of dimensionality
- Feature engineering
- Outliers
- Data drift
- A Closer Look at Supervised Algorithms
- Linear Methods
- Linear regression
- Logistic regression
- Linear Methods
- Neighborhood-Based Methods
- k-nearest neighbors
- Tree-Based Methods
- Single decision tree
- Bagging
- Random forests
- Boosting
- Support Vector Machines
- Neural Networks
- A Closer Look at Unsupervised Algorithms
- Dimensionality Reduction
- Linear projection
- Principal component analysis (PCA)
- Singular value decomposition (SVD)
- Random projection
- Linear projection
- Manifold learning
- Isomap
- t-distributed stochastic neighbor embedding (t-SNE)
- Dictionary learning
- Dimensionality Reduction
- Independent component analysis
- Latent Dirichlet allocation
- Clustering
- k-means
- Hierarchical clustering
- DBSCAN
- Feature Extraction
- Autoencoders
- Feature extraction using supervised training of feedforward networks
- Unsupervised Deep Learning
- Unsupervised pretraining
- Restricted Boltzmann machines
- Deep belief networks
- Generative adversarial networks
- Sequential Data Problems Using Unsupervised Learning
- Reinforcement Learning Using Unsupervised Learning
- Semisupervised Learning
- Successful Applications of Unsupervised Learning
- Anomaly Detection
- Group segmentation
- Anomaly Detection
- Conclusion
- 2. End-to-End Machine Learning Project
- Environment Setup
- Version Control: Git
- Clone the Hands-On Unsupervised Learning Git Repository
- Scientific Libraries: Anaconda Distribution of Python
- Neural Networks: TensorFlow and Keras
- Gradient Boosting, Version One: XGBoost
- Gradient Boosting, Version Two: LightGBM
- Clustering Algorithms
- Interactive Computing Environment: Jupyter Notebook
- Environment Setup
- Overview of the Data
- Data Preparation
- Data Acquisition
- Download the data
- Import the necessary libraries
- Read the data
- Preview the data
- Data Acquisition
- Data Exploration
- Generate summary statistics
- Identify nonnumerical values by feature
- Identify distinct values by feature
- Generate Feature Matrix and Labels Array
- Create the feature matrix X and the labels array Y
- Standardize the feature matrix X
- Feature Engineering and Feature Selection
- Check correlation of features
- Data Visualization
- Model Preparation
- Split into Training and Test Sets
- Select Cost Function
- Create k-Fold Cross-Validation Sets
- Machine Learning Models (Part I)
- Model #1: Logistic Regression
- Set hyperparameters
- Train the model
- Evaluate the results
- Model #1: Logistic Regression
- Evaluation Metrics
- Confusion Matrix
- Precision-Recall Curve
- Receiver Operating Characteristic
- Evaluating the logistic regression model
- Machine Learning Models (Part II)
- Model #2: Random Forests
- Set the hyperparameters
- Train the model
- Evaluate the results
- Model #2: Random Forests
- Model #3: Gradient Boosting Machine (XGBoost)
- Set the hyperparameters
- Train the model
- Evaluate the results
- Model #4: Gradient Boosting Machine (LightGBM)
- Set the hyperparameters
- Train the model
- Evaluate the results
- Evaluation of the Four Models Using the Test Set
- Logistic regression
- Random forests
- XGBoost gradient boosting
- LightGBM gradient boosting
- Ensembles
- Stacking
- Combine layer one predictions with the original training dataset
- Set the hyperparameters
- Train the model
- Evaluate the results
- Stacking
- Final Model Selection
- Production Pipeline
- Conclusion
- II. Unsupervised Learning Using Scikit-Learn
- 3. Dimensionality Reduction
- The Motivation for Dimensionality Reduction
- The MNIST Digits Database
- Data acquisition and exploration
- Load the MNIST datasets
- Verify shape of datasets
- Create Pandas DataFrames from the datasets
- Explore the data
- Display the images
- The MNIST Digits Database
- The Motivation for Dimensionality Reduction
- Dimensionality Reduction Algorithms
- Linear Projection vs. Manifold Learning
- Principal Component Analysis
- PCA, the Concept
- PCA in Practice
- Set the hyperparameters
- Apply PCA
- Evaluate PCA
- Visualize the separation of points in space
- Incremental PCA
- Sparse PCA
- Kernel PCA
- Singular Value Decomposition
- Random Projection
- Gaussian Random Projection
- Sparse Random Projection
- Isomap
- Multidimensional Scaling
- Locally Linear Embedding
- t-Distributed Stochastic Neighbor Embedding
- Other Dimensionality Reduction Methods
- Dictionary Learning
- Independent Component Analysis
- Conclusion
- 4. Anomaly Detection
- Credit Card Fraud Detection
- Prepare the Data
- Define Anomaly Score Function
- Define Evaluation Metrics
- Define Plotting Function
- Credit Card Fraud Detection
- Normal PCA Anomaly Detection
- PCA Components Equal Number of Original Dimensions
- Search for the Optimal Number of Principal Components
- Sparse PCA Anomaly Detection
- Kernel PCA Anomaly Detection
- Gaussian Random Projection Anomaly Detection
- Sparse Random Projection Anomaly Detection
- Nonlinear Anomaly Detection
- Dictionary Learning Anomaly Detection
- ICA Anomaly Detection
- Fraud Detection on the Test Set
- Normal PCA Anomaly Detection on the Test Set
- ICA Anomaly Detection on the Test Set
- Dictionary Learning Anomaly Detection on the Test Set
- Conclusion
- 5. Clustering
- MNIST Digits Dataset
- Data Preparation
- MNIST Digits Dataset
- Clustering Algorithms
- k-Means
- k-Means Inertia
- Evaluating the Clustering Results
- k-Means Accuracy
- k-Means and the Number of Principal Components
- k-Means on the Original Dataset
- Hierarchical Clustering
- Agglomerative Hierarchical Clustering
- The Dendrogram
- Evaluating the Clustering Results
- DBSCAN
- DBSCAN Algorithm
- Applying DBSCAN to Our Dataset
- HDBSCAN
- Conclusion
- 6. Group Segmentation
- Lending Club Data
- Data Preparation
- Load libraries
- Explore the data
- Data Preparation
- Transform String Format to Numerical Format
- Impute Missing Values
- Engineer Features
- Select Final Set of Features and Perform Scaling
- Designate Labels for Evaluation
- Lending Club Data
- Goodness of the Clusters
- k-Means Application
- Hierarchical Clustering Application
- HDBSCAN Application
- Conclusion
- III. Unsupervised Learning Using TensorFlow and Keras
- 7. Autoencoders
- Neural Networks
- TensorFlow
- TensorFlow example
- TensorFlow
- Keras
- Neural Networks
- Autoencoder: The Encoder and the Decoder
- Undercomplete Autoencoders
- Overcomplete Autoencoders
- Dense vs. Sparse Autoencoders
- Denoising Autoencoder
- Variational Autoencoder
- Conclusion
- 8. Hands-On Autoencoder
- Data Preparation
- The Components of an Autoencoder
- Activation Functions
- Our First Autoencoder
- Loss Function
- Optimizer
- Training the Model
- Evaluating on the Test Set
- Two-Layer Undercomplete Autoencoder with Linear Activation Function
- Increasing the Number of Nodes
- Adding More Hidden Layers
- Nonlinear Autoencoder
- Overcomplete Autoencoder with Linear Activation
- Overcomplete Autoencoder with Linear Activation and Dropout
- Sparse Overcomplete Autoencoder with Linear Activation
- Sparse Overcomplete Autoencoder with Linear Activation and Dropout
- Working with Noisy Datasets
- Denoising Autoencoder
- Two-Layer Denoising Undercomplete Autoencoder with Linear Activation
- Two-Layer Denoising Overcomplete Autoencoder with Linear Activation
- Two-Layer Denoising Overcomplete Autoencoder with ReLu Activation
- Conclusion
- 9. Semisupervised Learning
- Data Preparation
- Supervised Model
- Unsupervised Model
- Semisupervised Model
- The Power of Supervised and Unsupervised
- Conclusion
- IV. Deep Unsupervised Learning Using TensorFlow and Keras
- 10. Recommender Systems Using Restricted Boltzmann Machines
- Boltzmann Machines
- Restricted Boltzmann Machines
- Boltzmann Machines
- Recommender Systems
- Collaborative Filtering
- The Netflix Prize
- MovieLens Dataset
- Data Preparation
- Define the Cost Function: Mean Squared Error
- Perform Baseline Experiments
- Matrix Factorization
- One Latent Factor
- Three Latent Factors
- Five Latent Factors
- Collaborative Filtering Using RBMs
- RBM Neural Network Architecture
- Build the Components of the RBM Class
- Train RBM Recommender System
- Conclusion
- 11. Feature Detection Using Deep Belief Networks
- Deep Belief Networks in Detail
- MNIST Image Classification
- Restricted Boltzmann Machines
- Build the Components of the RBM Class
- Generate Images Using the RBM Model
- View the Intermediate Feature Detectors
- Train the Three RBMs for the DBN
- Examine Feature Detectors
- View Generated Images
- The Full DBN
- How Training of a DBN Works
- Train the DBN
- How Unsupervised Learning Helps Supervised Learning
- Generate Images to Build a Better Image Classifier
- Image Classifier Using LightGBM
- Supervised Only
- Unsupervised and Supervised Solution
- Conclusion
- 12. Generative Adversarial Networks
- GANs, the Concept
- The Power of GANs
- GANs, the Concept
- Deep Convolutional GANs
- Convolutional Neural Networks
- DCGANs Revisited
- Generator of the DCGAN
- Discriminator of the DCGAN
- Discriminator and Adversarial Models
- DCGAN for the MNIST Dataset
- MNIST DCGAN in Action
- Synthetic Image Generation
- Conclusion
- 13. Time Series Clustering
- ECG Data
- Approach to Time Series Clustering
- k-Shape
- Time Series Clustering Using k-Shape on ECGFiveDays
- Data Preparation
- Training and Evaluation
- Time Series Clustering Using k-Shape on ECG5000
- Data Preparation
- Training and Evaluation
- Time Series Clustering Using k-Means on ECG5000
- Time Series Clustering Using Hierarchical DBSCAN on ECG5000
- Comparing the Time Series Clustering Algorithms
- Full Run with k-Shape
- Full Run with k-Means
- Full Run with HDBSCAN
- Comparing All Three Time Series Clustering Approaches
- Conclusion
- 14. Conclusion
- Supervised Learning
- Unsupervised Learning
- Scikit-Learn
- TensorFlow and Keras
- Reinforcement Learning
- Most Promising Areas of Unsupervised Learning Today
- The Future of Unsupervised Learning
- Final Words
- Index
O'Reilly Media - inne książki
-
Large language models (LLMs) and generative AI are rapidly changing the healthcare industry. These technologies have the potential to revolutionize healthcare by improving the efficiency, accuracy, and personalization of care. This practical book shows healthcare leaders, researchers, data scient...(160.65 zł najniższa cena z 30 dni)
160.15 zł
199.00 zł(-20%) -
With hundreds of tools preinstalled, the Kali Linux distribution makes it easier for security professionals to get started with security testing quickly. But with more than 600 tools in its arsenal, Kali Linux can also be overwhelming. The new edition of this practical book covers updates to the ...(174.18 zł najniższa cena z 30 dni)
173.97 zł
209.00 zł(-17%) -
Learn how to implement and manage a modern customer data platform (CDP) through the Salesforce Data Cloud platform. This practical book provides a comprehensive overview that shows architects, administrators, developers, data engineers, and marketers how to ingest, store, and manage real-time cus...(197.34 zł najniższa cena z 30 dni)
197.14 zł
249.00 zł(-21%) -
Real-time applications are becoming the norm today. But building a model that works properly requires real-time data from the source, in-flight stream processing, and low latency serving of its analytics. With this practical book, data engineers, data architects, and data analysts will learn how ...(223.08 zł najniższa cena z 30 dni)
222.88 zł
279.00 zł(-20%) -
Methods of delivering software are constantly evolving in order to increase speed to market without sacrificing reliability and stability. Mastering development end to end, from version control to production, and building production-ready code is now more important than ever. Continuous deploymen...(182.64 zł najniższa cena z 30 dni)
182.58 zł
239.00 zł(-24%) -
As the transformation to hybrid multicloud accelerates, businesses require a structured approach to securing their workloads. Adopting zero trust principles demands a systematic set of practices to deliver secure solutions. Regulated businesses, in particular, demand rigor in the architectural pr...(165.75 zł najniższa cena z 30 dni)
165.65 zł
209.00 zł(-21%) -
This concise yet comprehensive guide explains how to adopt a data lakehouse architecture to implement modern data platforms. It reviews the design considerations, challenges, and best practices for implementing a lakehouse and provides key insights into the ways that using a lakehouse can impact ...(193.19 zł najniższa cena z 30 dni)
192.69 zł
249.00 zł(-23%) -
In today's fast-paced world, more and more organizations require rapid application development with reduced development costs and increased productivity. This practical guide shows application developers how to use PowerApps, Microsoft's no-code/low-code application framework that helps developer...(162.27 zł najniższa cena z 30 dni)
162.17 zł
209.00 zł(-22%) -
Welcome to the systems age, where software professionals are no longer building software&emdash;we're building systems of software. Change is continuously deployed across software ecosystems coordinated by responsive infrastructure. In this world of increasing relational complexity, we need t...(152.01 zł najniższa cena z 30 dni)
151.81 zł
209.00 zł(-27%) -
This book provides an ideal guide for Python developers who want to learn how to build applications with large language models. Authors Olivier Caelen and Marie-Alice Blete cover the main features and benefits of GPT-4 and GPT-3.5 models and explain how they work. You'll also get a step-by-step g...(155.36 zł najniższa cena z 30 dni)
154.86 zł
209.00 zł(-26%)
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
![Loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
![ajax-loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
Oceny i opinie klientów: Hands-On Unsupervised Learning Using Python. How to Build Applied Machine Learning Solutions from Unlabeled Data Ankur A. Patel (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.