Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning David Julian, Sebastian Raschka, John Hearty
- Autorzy:
- David Julian, Sebastian Raschka, John Hearty
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Dostępne formaty:
-
PDFePubMobi
Opis
książki
:
Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
The idea is to prepare a learning path that will help you to tackle the real-world complexities of modern machine learning with innovative and cutting-edge techniques. Also, it will give you a solid foundation in the machine learning design process, and enable you to build customized machine learning models to solve unique problems.
The course begins with getting your Python fundamentals nailed down. It focuses on answering the right questions that cove a wide range of powerful Python libraries, including scikit-learn Theano and Keras.After getting familiar with Python core concepts, it’s time to dive into the field of data science. You will further gain a solid foundation on the machine learning design and also learn to customize models for solving problems.
At a later stage, you will get a grip on more advanced techniques and acquire a broad set of powerful skills in the area of feature selection and feature engineering.
Wybrane bestsellery
-
Nowość Promocja
Dzięki tej książce przyswoisz różne techniki, które pomogą Ci stać się bardziej produktywnym analitykiem danych. Najpierw zapoznasz się z tematami związanymi z rozumieniem danych i umiejętnościami miękkimi, które okazują się konieczne w pracy dobrego danologa. Dopiero potem skupisz się na kluczowych aspektach uczenia maszynowego. W ten sposób stopniowo przejdziesz ścieżkę od przeciętnego kandydata do wyjątkowego specjalisty data science. Umiejętności opisane w tym przewodniku przez wiele lat były rozpoznawane, katalogowane, analizowane i stosowane do generowania wartości i szkolenia danologów w różnych firmach i branżach.- PDF + ePub + Mobi
- Druk 39 pkt
(34,90 zł najniższa cena z 30 dni)
39.50 zł
79.00 zł (-50%) -
Nowość Promocja
Dzięki temu praktycznemu przewodnikowi profesjonaliści zajmujący się danymi dobrze zrozumieją wady i zalety poszczególnych rozwiązań. Omówiono tu typowe zagadnienia dotyczące architektur danych, w tym ich rozwój i możliwości. Żadna architektura nie jest na tyle uniwersalna, by być odpowiednia w każdej sytuacji, dlatego w książce znajdziesz rzetelne porównanie cech poszczególnych architektur. Dowiesz się, jakie kompromisy towarzyszą każdej z nich, niezależnie od popularności. W ten sposób o wiele łatwiej przyjdzie Ci wybór rozwiązania, które najlepiej odpowiada Twoim potrzebom.- PDF + ePub + Mobi
- Druk 39 pkt
(34,90 zł najniższa cena z 30 dni)
39.50 zł
79.00 zł (-50%) -
Nowość Promocja
Koncepcje te zostały przystępnie wyjaśnione właśnie w tej książce. W szczególności zapoznasz się z praktycznymi aspektami probabilistyki, statystyki, algebry liniowej i rachunku różniczkowego. Prezentacji tych zagadnień towarzyszą fragmenty kodu w Pythonie i praktyczne przykłady zastosowań w uczeniu głębokim. Rozpoczniesz od zapoznania się z podstawami, takimi jak twierdzenie Bayesa, a następnie przejdziesz do bardziej zaawansowanych zagadnień, w tym uczenia sieci neuronowych przy użyciu wektorów, macierzy i pochodnych. Dwa ostatnie rozdziały dadzą Ci szansę użycia nowej wiedzy do zaimplementowania propagacji wstecznej i metody gradientu prostego — dwóch podstawowych algorytmów napędzających rozwój sztucznej inteligencji.- Druk 44 pkt
(39,90 zł najniższa cena z 30 dni)
44.50 zł
89.00 zł (-50%) -
Nowość Promocja
Ta pozycja, podobnie jak inne z serii Rusz głową!, została przygotowana zgodnie z jedyną w swoim rodzaju metodyką nauczania, wykorzystującą zasady funkcjonowania ludzkiego mózgu. Dzięki zagadkom, tajemniczym historiom, angażującym ćwiczeniom i przystępnie podanej wiedzy bez trudu przyswoisz nawet dość złożone koncepcje, takie jak programowanie zorientowane obiektowo, aplikacje sieciowe czy uczenie maszynowe. Znajdziesz tu zabawne i niekonwencjonalne ilustracje, świetne analogie, a w toku nauki krok po kroku zbudujesz własną aplikację. Przekonasz się, że to absolutnie wyjątkowy i niezwykle skuteczny podręcznik!- Druk 64 pkt
(39,90 zł najniższa cena z 30 dni)
64.50 zł
129.00 zł (-50%) -
Nowość Promocja
Oprogramowanie jest dziś praktycznie wszędzie, a programiści od dawna należą do najbardziej poszukiwanych specjalistów. Na podstawie napisanego przez nich kodu funkcjonują już nie tylko komputery i smartfony. Oprogramowanie steruje sprzętami domowymi, telewizorem czy lodówką. W ramach tak zwanego internetu rzeczy wiele urządzeń technicznych komunikuje się między sobą bez udziału człowieka. Gwałtownie rozwija się sztuczna inteligencja, wymagająca specjalistycznego oprogramowania. Nie dziwi więc, że jego rozwój ciągle przyspiesza. W obliczu tych faktów odpowiedź na pytanie, jakiego języka programowania warto się nauczyć, jest trudna. Nawet dla osoby, która wie, w jaki sposób zamierza w przyszłości korzystać ze swoich informatycznych umiejętności.- PDF + ePub + Mobi
- Druk 22 pkt
(19,90 zł najniższa cena z 30 dni)
22.45 zł
44.90 zł (-50%) -
Promocja
Generatywna sztuczna inteligencja (AI) jest dziś gorącym tematem w dziedzinie techniki. Ta praktyczna książka pokazuje inżynierom uczenia się maszyn, jak wykorzystywać TensorFlow i Keras, aby od zera tworzyć robiące wrażenie generatywne modele głębokiego uczenia, w tym wariacyjne autokodowanie (VAE), generatywne sieci przeciwstawne (GAN), transform- PDF + ePub 88 pkt
(52,31 zł najniższa cena z 30 dni)
88.83 zł
98.70 zł (-10%) -
Promocja
Sztuczna inteligencja stale się rozwija. Właściwie codziennie słyszymy o jej rosnących możliwościach, nowych osiągnięciach i przyszłości, jaką nam przyniesie. Jednak w tej książce skupiamy się nie na przyszłości, a na teraźniejszości i praktycznym obliczu AI - na usługach, które świadczy już dziś. Większość najciekawszych zastosowań sztucznej inteligencji bazuje na ML (uczenie maszynowe, ang. machine learning), NLP (przetwarzanie języka naturalnego, ang. natural language processing) i architekturze RAG (ang. retrieval augmented generation) zwiększającej możliwości tzw. dużych modeli językowych (LLM, ang. large language model). Stanowią one podwaliny budowy systemów AI, bez których te systemy często wcale nie mogłyby powstać.- PDF + ePub + Mobi
- Druk 39 pkt
(34,90 zł najniższa cena z 30 dni)
39.50 zł
79.00 zł (-50%) -
Odkryj potęgę tworzenia aplikacji webowych z najpopularniejszym językiem programowania ostatnich lat! Ta obszerna, licząca ponad 500 stron publikacja to prawdziwa skarbnica wiedzy dla każdego, kto pragnie zgłębić tajniki projektowania nowoczesnych rozwiązań internetowych w Pythonie. Od fundamentów po zaawansowane techniki - ta książka przeprowadzi
- PDF + ePub + Mobi 34 pkt
-
Promocja
Język programowania ogólnego przeznaczenia Python należy obecnie do najpopularniejszych na świecie. Skąd się bierze jego fenomen? Niewątpliwie kluczowe znaczenie ma tu bardzo czytelna składnia, mocno zbliżona do składni języka naturalnego. Czyni to Pythona dość łatwym do opanowania, także dla początkujących. Osoby bardziej doświadczone doceniają go za wszechstronność. Pythona można używać w różnych dziedzinach, takich jak analiza danych, sztuczna inteligencja, tworzenie stron internetowych, automatyka i automatyzacja, pisanie aplikacji mobilnych i wiele innych. Dodajmy do tego rozbudowany pakiet bibliotek standardowych i oto mamy (niemal) idealny język programowania.- PDF + ePub + Mobi
- Druk 29 pkt
(26,90 zł najniższa cena z 30 dni)
29.49 zł
59.00 zł (-50%) -
"Sztuczna Inteligencja i Uczenie Maszynowe: Kompletny Przewodnik do Budowy Własnych Rozwiązań AI" to kompleksowa książka, która oferuje pełne wprowadzenie do świata sztucznej inteligencji (AI) i uczenia maszynowego (ML). Zawiera praktyczne informacje, które pozwolą czytelnikom na budowę i wdrażanie własnych modeli AI, od podstawowych koncepcji po z
- PDF + ePub + Mobi 14 pkt
O autorach książki
Sebastian Raschka jest ekspertem w dziedzinie analizy danych i uczenia maszynowego. Obecnie przygotowuje doktorat na Michigan State University z metod obliczeniowych w biologii statystycznej. Biegle posługuje się Pythonem. Raschka bierze również udział w różnych projektach open source i wdraża nowe metody uczenia maszynowego. W wolnym czasie pracuje nad modelami predykcyjnymi dyscyplin sportowych. Jeżeli nie siedzi przed monitorem, chętnie uprawia sport.
David Julian, Sebastian Raschka, John Hearty - pozostałe książki
-
Promocja
Fully updated with PyTorch and the latest additions to scikit-learn. Packed with clear explanations, visualizations, and working examples, the book covers essential machine learning techniques in depth, along with two cutting-edge machine learning techniques: transformers and graph neural networks.- PDF + ePub 134 pkt
Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python
Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov
(29,90 zł najniższa cena z 30 dni)
134.10 zł
149.00 zł (-10%) -
Promocja
Oto obszerny przewodnik po uczeniu maszynowym i uczeniu głębokim w Pythonie. Zawiera dokładne omówienie najważniejszych technik uczenia maszynowego oraz staranne wyjaśnienie zasad rządzących tą technologią. Poszczególne zagadnienia zilustrowano mnóstwem wyjaśnień, wizualizacji i przykładów, co znakomicie ułatwia zrozumienie materiału i sprawne rozpoczęcie samodzielnego budowania aplikacji i modeli, takich jak te służące do klasyfikacji obrazów, odkrywania ukrytych wzorców czy wydobywania dodatkowych informacji z danych. Wydanie trzecie zostało zaktualizowane — znalazł się w nim opis biblioteki TensorFlow 2 i najnowszych dodatków do biblioteki scikit-learn. Dodano również wprowadzenie do dwóch nowatorskich technik: uczenia przez wzmacnianie i budowy generatywnych sieci przeciwstawnych (GAN).- PDF + ePub + Mobi
- Druk 74 pkt
(39,90 zł najniższa cena z 30 dni)
74.50 zł
149.00 zł (-50%) -
Promocja
This third edition is updated with TensorFlow 2 and the latest additions to scikit-learn. Packed with clear explanations, visualizations, and working examples, the book covers essential machine learning techniques in depth, along with two cutting-edge machine learning techniques: reinforcement learning and generative adversarial networks.- PDF + ePub + Mobi 134 pkt
(29,90 zł najniższa cena z 30 dni)
134.10 zł
149.00 zł (-10%) -
Promocja
Ta książka jest drugim, wzbogaconym i zaktualizowanym wydaniem znakomitego podręcznika do nauki o danych. Wyczerpująco opisano tu teoretyczne podwaliny uczenia maszynowego. Sporo uwagi poświęcono działaniu algorytmów uczenia głębokiego, sposobom ich wykorzystania oraz metodom unikania istotnych błędów. Dodano rozdziały prezentujące zaawansowane informacje o sieciach neuronowych: o sieciach splotowych, służących do rozpoznawania obrazów, oraz o sieciach rekurencyjnych, znakomicie nadających się do pracy z danymi sekwencyjnymi i danymi szeregów czasowych. Poszczególne zagadnienia zostały zilustrowane praktycznymi przykładami kodu napisanego w Pythonie, co ułatwi bezpośrednie zapoznanie się z tematyką uczenia maszynowego.- PDF + ePub + Mobi
- Druk 49 pkt
(34,90 zł najniższa cena z 30 dni)
49.50 zł
99.00 zł (-50%) -
Promocja
PyTorch is extremely powerful and yet easy to learn. It provides advanced features such as supporting multiprocessor, distributed and parallel computation. This book is an excellent entry point for those wanting to explore deep learning with PyTorch to harness its power.- PDF + ePub + Mobi 80 pkt
(29,90 zł najniższa cena z 30 dni)
80.91 zł
89.90 zł (-10%) -
Promocja
Niniejsza książka jest lekturą obowiązkową dla każdego, kto chce rozwinąć swoją wiedzę o danych naukowych i zamierza w tym celu wykorzystać język Python. Przystępnie opisano tu teoretyczne podstawy dziedziny i przedstawiono wyczerpujące informacje o działaniu algorytmów uczenia maszynowego, sposobach ich wykorzystania oraz metodach unikania poważnych błędów. Zaprezentowano również biblioteki Theano i Keras, sposoby przewidywania wyników docelowych za pomocą analizy regresywnej oraz techniki wykrywania ukrytych wzorców metodą analizy skupień. Nie zabrakło opisu technik przetwarzania wstępnego i zasad oceny modeli uczenia maszynowego.- PDF + ePub + Mobi
- Druk 34 pkt
(24,90 zł najniższa cena z 30 dni)
34.50 zł
69.00 zł (-50%) -
Promocja
Niniejsza książka jest przystępnie napisanym podręcznikiem, dzięki któremu poznasz niektóre zaawansowane techniki uczenia maszynowego. Szczególną uwagę poświęcono tu algorytmom uczenia maszynowego: zostały dokładnie wyjaśnione, opisano ich zastosowanie oraz topologię, metody uczenia i miary wydajności. Każdy rozdział uzupełniono o wykaz źródeł, pomocny w dalszym zgłębianiu tematu. Dodatkowo przedstawiono wiele cennych wskazówek dotyczących specyfiki pracy analityka danych. Do prezentacji przykładów wybrano język Python z uwagi na jego wszechstronność, elastyczność, prostotę oraz możliwość stosowania do specjalistycznych zadań.- PDF + ePub + Mobi
- Druk 28 pkt
(19,90 zł najniższa cena z 30 dni)
28.50 zł
57.00 zł (-50%) -
Promocja
This second edition of Python Machine Learning by Sebastian Raschka is for developers and data scientists looking for a practical approach to machine learning and deep learning. In this updated edition, you’ll explore the machine learning process using Python and the latest open source technologies, including scikit-learn and TensorFlow 1.x.- PDF + ePub + Mobi 107 pkt
(29,90 zł najniższa cena z 30 dni)
107.10 zł
119.00 zł (-10%) -
Promocja
Machine learning is increasingly spreading in the modern data-driven world. It is used extensively across many fields such as search engines, robotics, self-driving cars, and more. Machine learning is transforming the way we understand and interact with the world around us.In the first module, Python Machine Learning Cookbook, you will learn how to- PDF + ePub + Mobi 278 pkt
Python: Real World Machine Learning. Take your Python Machine learning skills to the next level
Prateek Joshi, Luca Massaron, John Hearty, Alberto Boschetti, Bastiaan Sjardin
(29,90 zł najniższa cena z 30 dni)
278.10 zł
309.00 zł (-10%) -
Promocja
Designed to take you on a guided tour of the most relevant and powerful machine learning techniques in use today by top data scientists, this book is just what you need to push your Python algorithms to maximum potential. Clear examples and detailed code samples demonstrate deep learning techniques, semi-supervised learning, and more - all whilst w- PDF + ePub + Mobi 125 pkt
Advanced Machine Learning with Python. Solve challenging data science problems by mastering cutting-edge machine learning techniques in Python
Victor Marak, Nishant Shukla, John Hearty, Jeffery Yee, Man Chon (Kevin) U, Gavin Hackeling, Sarah Guido, Mikhail Korobov, Andreas Mueller, Aman Madaan
(29,90 zł najniższa cena z 30 dni)
125.10 zł
139.00 zł (-10%)
Ebooka "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" 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 "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolonych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" 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 książki
- Tytuł oryginału:
- Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
- ISBN Ebooka:
- 978-17-871-2857-6, 9781787128576
- Data wydania ebooka :
- 2016-08-31 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:
- 1
- Rozmiar pliku Pdf:
- 13.9MB
- Rozmiar pliku ePub:
- 23.1MB
- Rozmiar pliku Mobi:
- 35.2MB
Spis treści książki
- Python: Deeper Insights into Machine Learning
- Table of Contents
- Python: Deeper Insights into Machine Learning
- Python: Deeper Insights into Machine Learning
- Credits
- Preface
- What this learning path covers
- What you need for this learning path
- Who this learning path is for
- Reader feedback
- Customer support
- Downloading the example code
- Errata
- Piracy
- Questions
- 1. Module 1
- 1. Giving Computers the Ability to Learn from Data
- Building intelligent machines to transform data into knowledge
- The three different types of machine learning
- Making predictions about the future with supervised learning
- Classification for predicting class labels
- Regression for predicting continuous outcomes
- Solving interactive problems with reinforcement learning
- Discovering hidden structures with unsupervised learning
- Finding subgroups with clustering
- Dimensionality reduction for data compression
- Making predictions about the future with supervised learning
- An introduction to the basic terminology and notations
- A roadmap for building machine learning systems
- Preprocessing getting data into shape
- Training and selecting a predictive model
- Evaluating models and predicting unseen data instances
- Using Python for machine learning
- Installing Python packages
- Summary
- 2. Training Machine Learning Algorithms for Classification
- Artificial neurons a brief glimpse into the early history of machine learning
- Implementing a perceptron learning algorithm in Python
- Training a perceptron model on the Iris dataset
- Adaptive linear neurons and the convergence of learning
- Minimizing cost functions with gradient descent
- Implementing an Adaptive Linear Neuron in Python
- Large scale machine learning and stochastic gradient descent
- Summary
- 3. A Tour of Machine Learning Classifiers Using Scikit-learn
- Choosing a classification algorithm
- First steps with scikit-learn
- Training a perceptron via scikit-learn
- Modeling class probabilities via logistic regression
- Logistic regression intuition and conditional probabilities
- Learning the weights of the logistic cost function
- Training a logistic regression model with scikit-learn
- Tackling overfitting via regularization
- Maximum margin classification with support vector machines
- Maximum margin intuition
- Dealing with the nonlinearly separable case using slack variables
- Alternative implementations in scikit-learn
- Solving nonlinear problems using a kernel SVM
- Using the kernel trick to find separating hyperplanes in higher dimensional space
- Decision tree learning
- Maximizing information gain getting the most bang for the buck
- Building a decision tree
- Combining weak to strong learners via random forests
- K-nearest neighbors a lazy learning algorithm
- Summary
- 4. Building Good Training Sets Data Preprocessing
- Dealing with missing data
- Eliminating samples or features with missing values
- Imputing missing values
- Understanding the scikit-learn estimator API
- Handling categorical data
- Mapping ordinal features
- Encoding class labels
- Performing one-hot encoding on nominal features
- Partitioning a dataset in training and test sets
- Bringing features onto the same scale
- Selecting meaningful features
- Sparse solutions with L1 regularization
- Sequential feature selection algorithms
- Assessing feature importance with random forests
- Summary
- Dealing with missing data
- 5. Compressing Data via Dimensionality Reduction
- Unsupervised dimensionality reduction via principal component analysis
- Total and explained variance
- Feature transformation
- Principal component analysis in scikit-learn
- Supervised data compression via linear discriminant analysis
- Computing the scatter matrices
- Selecting linear discriminants for the new feature subspace
- Projecting samples onto the new feature space
- LDA via scikit-learn
- Using kernel principal component analysis for nonlinear mappings
- Kernel functions and the kernel trick
- Implementing a kernel principal component analysis in Python
- Example 1 separating half-moon shapes
- Example 2 separating concentric circles
- Projecting new data points
- Kernel principal component analysis in scikit-learn
- Summary
- Unsupervised dimensionality reduction via principal component analysis
- 6. Learning Best Practices for Model Evaluation and Hyperparameter Tuning
- Streamlining workflows with pipelines
- Loading the Breast Cancer Wisconsin dataset
- Combining transformers and estimators in a pipeline
- Using k-fold cross-validation to assess model performance
- The holdout method
- K-fold cross-validation
- Debugging algorithms with learning and validation curves
- Diagnosing bias and variance problems with learning curves
- Addressing overfitting and underfitting with validation curves
- Fine-tuning machine learning models via grid search
- Tuning hyperparameters via grid search
- Algorithm selection with nested cross-validation
- Looking at different performance evaluation metrics
- Reading a confusion matrix
- Optimizing the precision and recall of a classification model
- Plotting a receiver operating characteristic
- The scoring metrics for multiclass classification
- Summary
- Streamlining workflows with pipelines
- 7. Combining Different Models for Ensemble Learning
- Learning with ensembles
- Implementing a simple majority vote classifier
- Combining different algorithms for classification with majority vote
- Evaluating and tuning the ensemble classifier
- Bagging building an ensemble of classifiers from bootstrap samples
- Leveraging weak learners via adaptive boosting
- Summary
- 8. Applying Machine Learning to Sentiment Analysis
- Obtaining the IMDb movie review dataset
- Introducing the bag-of-words model
- Transforming words into feature vectors
- Assessing word relevancy via term frequency-inverse document frequency
- Cleaning text data
- Processing documents into tokens
- Training a logistic regression model for document classification
- Working with bigger data online algorithms and out-of-core learning
- Summary
- 9. Embedding a Machine Learning Model into a Web Application
- Serializing fitted scikit-learn estimators
- Setting up a SQLite database for data storage
- Developing a web application with Flask
- Our first Flask web application
- Form validation and rendering
- Turning the movie classifier into a web application
- Deploying the web application to a public server
- Updating the movie review classifier
- Summary
- 10. Predicting Continuous Target Variables with Regression Analysis
- Introducing a simple linear regression model
- Exploring the Housing Dataset
- Visualizing the important characteristics of a dataset
- Implementing an ordinary least squares linear regression model
- Solving regression for regression parameters with gradient descent
- Estimating the coefficient of a regression model via scikit-learn
- Fitting a robust regression model using RANSAC
- Evaluating the performance of linear regression models
- Using regularized methods for regression
- Turning a linear regression model into a curve polynomial regression
- Modeling nonlinear relationships in the Housing Dataset
- Dealing with nonlinear relationships using random forests
- Decision tree regression
- Random forest regression
- Summary
- 11. Working with Unlabeled Data Clustering Analysis
- Grouping objects by similarity using k-means
- K-means++
- Hard versus soft clustering
- Using the elbow method to find the optimal number of clusters
- Quantifying the quality of clustering via silhouette plots
- Organizing clusters as a hierarchical tree
- Performing hierarchical clustering on a distance matrix
- Attaching dendrograms to a heat map
- Applying agglomerative clustering via scikit-learn
- Locating regions of high density via DBSCAN
- Summary
- Grouping objects by similarity using k-means
- 12. Training Artificial Neural Networks for Image Recognition
- Modeling complex functions with artificial neural networks
- Single-layer neural network recap
- Introducing the multi-layer neural network architecture
- Activating a neural network via forward propagation
- Classifying handwritten digits
- Obtaining the MNIST dataset
- Implementing a multi-layer perceptron
- Training an artificial neural network
- Computing the logistic cost function
- Training neural networks via backpropagation
- Developing your intuition for backpropagation
- Debugging neural networks with gradient checking
- Convergence in neural networks
- Other neural network architectures
- Convolutional Neural Networks
- Recurrent Neural Networks
- A few last words about neural network implementation
- Summary
- Modeling complex functions with artificial neural networks
- 13. Parallelizing Neural Network Training with Theano
- Building, compiling, and running expressions with Theano
- What is Theano?
- First steps with Theano
- Configuring Theano
- Working with array structures
- Wrapping things up a linear regression example
- Choosing activation functions for feedforward neural networks
- Logistic function recap
- Estimating probabilities in multi-class classification via the softmax function
- Broadening the output spectrum by using a hyperbolic tangent
- Training neural networks efficiently using Keras
- Summary
- Building, compiling, and running expressions with Theano
- 1. Giving Computers the Ability to Learn from Data
- 2. Module 2
- 1. Thinking in Machine Learning
- The human interface
- Design principles
- Types of questions
- Are you asking the right question?
- Tasks
- Classification
- Regression
- Clustering
- Dimensionality reduction
- Errors
- Optimization
- Linear programming
- Models
- Geometric models
- Probabilistic models
- Logical models
- Features
- Unified modeling language
- Class diagrams
- Object diagrams
- Activity diagrams
- State diagrams
- Summary
- 2. Tools and Techniques
- Python for machine learning
- IPython console
- Installing the SciPy stack
- NumPY
- Constructing and transforming arrays
- Mathematical operations
- Matplotlib
- Pandas
- SciPy
- Scikit-learn
- Summary
- 3. Turning Data into Information
- What is data?
- Big data
- Challenges of big data
- Data volume
- Data velocity
- Data variety
- Data models
- Data distributions
- Data from databases
- Data from the Web
- Data from natural language
- Data from images
- Data from application programming interfaces
- Challenges of big data
- Signals
- Data from sound
- Cleaning data
- Visualizing data
- Summary
- 4. Models Learning from Information
- Logical models
- Generality ordering
- Version space
- Coverage space
- PAC learning and computational complexity
- Tree models
- Purity
- Rule models
- The ordered list approach
- Set-based rule models
- Summary
- Logical models
- 5. Linear Models
- Introducing least squares
- Gradient descent
- The normal equation
- Logistic regression
- The Cost function for logistic regression
- Multiclass classification
- Regularization
- Summary
- Introducing least squares
- 6. Neural Networks
- Getting started with neural networks
- Logistic units
- Cost function
- Minimizing the cost function
- Implementing a neural network
- Gradient checking
- Other neural net architectures
- Summary
- 7. Features How Algorithms See the World
- Feature types
- Quantitative features
- Ordinal features
- Categorical features
- Operations and statistics
- Structured features
- Transforming features
- Discretization
- Normalization
- Calibration
- Principle component analysis
- Summary
- Feature types
- 8. Learning with Ensembles
- Ensemble types
- Bagging
- Random forests
- Extra trees
- Boosting
- Adaboost
- Gradient boosting
- Ensemble strategies
- Other methods
- Summary
- 9. Design Strategies and Case Studies
- Evaluating model performance
- Model selection
- Gridsearch
- Learning curves
- Real-world case studies
- Building a recommender system
- Content-based filtering
- Collaborative filtering
- Reviewing the case study
- Insect detection in greenhouses
- Reviewing the case study
- Building a recommender system
- Machine learning at a glance
- Summary
- 1. Thinking in Machine Learning
- 3. Module 3
- 1. Unsupervised Machine Learning
- Principal component analysis
- PCA a primer
- Employing PCA
- Introducing k-means clustering
- Clustering a primer
- Kick-starting clustering analysis
- Tuning your clustering configurations
- Self-organizing maps
- SOM a primer
- Employing SOM
- Further reading
- Summary
- Principal component analysis
- 2. Deep Belief Networks
- Neural networks a primer
- The composition of a neural network
- Network topologies
- Restricted Boltzmann Machine
- Introducing the RBM
- Topology
- Training
- Applications of the RBM
- Further applications of the RBM
- Introducing the RBM
- Deep belief networks
- Training a DBN
- Applying the DBN
- Validating the DBN
- Further reading
- Summary
- Neural networks a primer
- 3. Stacked Denoising Autoencoders
- Autoencoders
- Introducing the autoencoder
- Topology
- Training
- Denoising autoencoders
- Applying a dA
- Introducing the autoencoder
- Stacked Denoising Autoencoders
- Applying the SdA
- Assessing SdA performance
- Further reading
- Summary
- Autoencoders
- 4. Convolutional Neural Networks
- Introducing the CNN
- Understanding the convnet topology
- Understanding convolution layers
- Understanding pooling layers
- Training a convnet
- Putting it all together
- Applying a CNN
- Understanding the convnet topology
- Further Reading
- Summary
- Introducing the CNN
- 5. Semi-Supervised Learning
- Introduction
- Understanding semi-supervised learning
- Semi-supervised algorithms in action
- Self-training
- Implementing self-training
- Finessing your self-training implementation
- Improving the selection process
- Contrastive Pessimistic Likelihood Estimation
- Self-training
- Further reading
- Summary
- 6. Text Feature Engineering
- Introduction
- Text feature engineering
- Cleaning text data
- Text cleaning with BeautifulSoup
- Managing punctuation and tokenizing
- Tagging and categorising words
- Tagging with NLTK
- Sequential tagging
- Backoff tagging
- Creating features from text data
- Stemming
- Bagging and random forests
- Testing our prepared data
- Cleaning text data
- Further reading
- Summary
- 7. Feature Engineering Part II
- Introduction
- Creating a feature set
- Engineering features for ML applications
- Using rescaling techniques to improve the learnability of features
- Creating effective derived variables
- Reinterpreting non-numeric features
- Using feature selection techniques
- Performing feature selection
- Correlation
- LASSO
- Recursive Feature Elimination
- Genetic models
- Performing feature selection
- Engineering features for ML applications
- Feature engineering in practice
- Acquiring data via RESTful APIs
- Testing the performance of our model
- Twitter
- Translink Twitter
- Consumer comments
- The Bing Traffic API
- Deriving and selecting variables using feature engineering techniques
- The weather API
- Acquiring data via RESTful APIs
- Further reading
- Summary
- 8. Ensemble Methods
- Introducing ensembles
- Understanding averaging ensembles
- Using bagging algorithms
- Using random forests
- Applying boosting methods
- Using XGBoost
- Using stacking ensembles
- Applying ensembles in practice
- Understanding averaging ensembles
- Using models in dynamic applications
- Understanding model robustness
- Identifying modeling risk factors
- Strategies to managing model robustness
- Understanding model robustness
- Further reading
- Summary
- Introducing ensembles
- 9. Additional Python Machine Learning Tools
- Alternative development tools
- Introduction to Lasagne
- Getting to know Lasagne
- Introduction to TensorFlow
- Getting to know TensorFlow
- Using TensorFlow to iteratively improve our models
- Knowing when to use these libraries
- Introduction to Lasagne
- Further reading
- Summary
- Alternative development tools
- 10. Chapter Code Requirements
- 1. Unsupervised Machine Learning
- A. Biblography
- Index
Packt Publishing - inne książki
-
Build scalable applications from the ground up. Learn foundational concepts, design and implement pipelines, and deploy confidently. This comprehensive guide equips you with the skills to excel in the world of natural language processing.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
This book presents comprehensive insights into MLOps coupled with real-world examples to help you to write programs, train robust and scalable ML models, and build ML pipelines to train and deploy models securely in production.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
This book will help you learn all you need to know about open table formats and picking the right table format for your needs, blending theoretical understanding with practical examples to help you build, maintain, and optimize lakehouses in production.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Developers with prior experience can leverage the latest modern Android development libraries to build exceptional Android apps. This book discusses crucial factors to consider when developing Android applications and how to maintain them better.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Maximize your Ubuntu 24.04 experience with this guide, covering desktop usage, security, and advanced development environments. You'll gain practical insights from the experience of a core Ubuntu developer for enhanced productivity and innovation.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
This ZBrush guide uses hands-on projects to help you master ZBrush and take your digital sculpting skills to the next level. You'll create impressive 3D models while learning advanced techniques, making your artistic journey both fun and productive.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
This book lets you manipulate and generate 3D geometry with node-based workflow. You understand node inputs/outputs and basic nodes, along with exploring the new simulation zone for physics simulations, enhancing your skills and creativity.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Boost your AWS expertise with the latest in GenAI, MLOps, and certifications. Packed with practical insights and real-world case studies, this book helps you design, implement, and optimize AWS solutions confidently in the evolving cloud landscape.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Unlock the power of Houdini FX with this beginner-friendly guide. Learn essential techniques for creating dynamic visual effects, and elevate your artistic skills.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
This book focuses on developing a capacity to manage cybersecurity incidents by practically implementing methodologies, platforms, and tools through step-by-step exercises. You'll learn how to respond to cybersecurity incidents using intelligence-based threat hunting techniques.
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna
Dzięki 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@ebookpoint.pl
Książka drukowana
Oceny i opinie klientów: Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning David Julian, Sebastian Raschka, John Hearty (0) Weryfikacja opinii następuje na podstawie historii zamowień na koncie Użytkownika umiejszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.