Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III
- Wydawnictwo:
- Helion
- Wydawnictwo:
- Helion
- Ocena:
- 5.1/6 Opinie: 11
- Stron:
- 672
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
![Wyłącznie](https://static01.helion.com.pl/ebookpoint/img/img_wylacznie.png)
Opis ebooka: Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III
Uczenie maszynowe jest jedną z najbardziej fascynujących technologii naszych czasów - rozwojem jego najróżniejszych zastosowań zajmują się tacy giganci jak Google, Facebook, Apple, Amazon czy IBM. Uczenie maszynowe otwiera zupełnie nowe możliwości i powoli staje się nieodzowne: wystarczy wymienić asystenty głosowe w smartfonach, chatboty ułatwiające klientom wybór produktu, a także sieci ułatwiające podejmowanie decyzji o inwestycjach giełdowych, filtrujące niechciane wiadomości e-mail czy wspomagające diagnostykę medyczną.
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).
W książce między innymi:
- platformy, modele i techniki uczenia maszynowego
- wykorzystywanie biblioteki scikit-learn i TensorFlow
- sieci neuronowe, sieci GAN i inne
- przygotowywanie danych dla modeli uczenia maszynowego
- ocena i strojenie modeli
- analizy: regresyjna, skupień i sentymentów
Uczenie głębokie z Pythonem: zrozum i zastosuj!
Książka Python. Uczenie maszynowe. Wydanie trzecie stanowi obszerny przewodnik po uczeniu maszynowym i uczeniu głębokim w środowisku Python. Pełni ona funkcję zarówno zrozumiałego, szczegółowego samouczka, jak i materiału źródłowego, do którego będziesz powracać w miarę budowania kolejnych systemów uczenia maszynowego.
Znajdziesz tu mnóstwo objaśnień, wizualizacji i przykładów, zaś celem książki jest dokładne omówienie najważniejszych technik uczenia maszynowego. Niektóre książki uczą jedynie wykonywania zawartych w nich instrukcji, natomiast autorzy niniejszej pozycji wyjaśniają zasady uczenia maszynowego, dzięki czemu będziesz w stanie samodzielnie tworzyć aplikacje i modele.
Wydanie trzecie zostało zaktualizowane o opis biblioteki TensorFlow 2 i najnowszych dodatków do biblioteki scikit-learn. Treść książki została rozszerzona o dwie nowatorskie techniki uczenia maszynowego: uczenie przez wzmacnianie i generatywne sieci przeciwstawne (GAN).
Warto, żeby ta książka towarzyszyła Tobie, bez względu na to, czy jesteś programistą Python dopiero poznającym krainę uczenia maszynowego lub osobą pragnącą pogłębić wiedzę na temat najnowszych osiągnięć z tej dziedziny.
Dzięki tej książce:
- opanujesz platformy, modele i techniki umożliwiające "naukę" komputerów z danych,
- nauczysz się wykorzystywać bibliotekę scikit-learn w zadaniach uczenia maszynowego, a bibliotekę TensorFlow w uczeniu głębokim,
- będziesz stosować uczenie maszynowe w zadaniach klasyfikowania obrazów, analizy sentymentów, inteligentnych aplikacjach sieciowych itd.,
- stworzysz i wytrenujesz sieci neuronowe, sieci GAN i inne modele,
- dodasz algorytmy uczenia maszynowego do aplikacji sieciowych,
- oczyścisz i przygotujesz dane dla modeli uczenia maszynowego,
- będziesz klasyfikować obrazy za pomocą splotowych sieci neuronowych,
- poznasz najlepsze sposoby oceniania i strojenia modelów,
- nauczysz się przewidywać ciągłe wyniki docelowe za pomocą analizy regresyjnej,
- odkryjesz ukryte wzorce i struktury danych za pomocą analizy skupień,
- nauczysz się wydobywać dodatkowe informacje za pomocą danych tekstowych i społecznościowych za pomocą analizy sentymentów.
![Czytelniczy kiermasz na koniec wakacji / Książki -40%, Ebooki -50%](https://static01.helion.com.pl/ebookpoint/img/promocje/bannery/19985/box_1180x419_SM_ebp_czytelniczy_kiermasz_na_koniec_wakacji_f597d2a57.jpg)
Wybrane bestsellery
-
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%) -
W dynamicznie zmieniającym się świecie biznesu automatyzacja procesów staje się kluczowym elementem sukcesu każdej organizacji. Technologia RPA (ang. robotic process automation) w połączeniu z zarządzaniem projektami i inżynierią oprogramowania tworzy nowy standard w zarządzaniu zasobami i operac...(49.05 zł najniższa cena z 30 dni)
76.30 zł
109.00 zł(-30%) -
Ta książka wyjaśni Ci rolę matematyki w tworzeniu, renderowaniu i zmienianiu wirtualnych środowisk 3D, a ponadto pozwoli odkryć tajemnice najpopularniejszych dzisiaj silników gier. Za sprawą licznych praktycznych ćwiczeń zorientujesz się, co się kryje za rysowaniem linii i kształtów graficznych, ...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. ...(65.40 zł najniższa cena z 30 dni)
65.40 zł
109.00 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%) -
Światowy bestseller, dzięki któremu - według ostrożnych szacunków - codziennie ktoś staje się nowym MILIONEREM! Dowiedz się jak wykorzystać praktycznie nieograniczone możliwości Sztucznej Inteligencji. Nieważne, czy jesteś freelancerem, prowadzisz własną firmę, masz wolny zawód, chcesz zająć się ...
-
Dzięki tej książce zrozumiesz, że w rekurencji nie kryje się żadna magia. Dowiesz się, na czym polega jej działanie i kiedy warto zastosować algorytm rekursywny, a kiedy lepiej tego nie robić. Poznasz szereg klasycznych i mniej znanych algorytmów rekurencyjnych. Pracę z zawartym tu materiałem uła...(47.40 zł najniższa cena z 30 dni)
47.40 zł
79.00 zł(-40%) -
Książka stanowi kompendium wiedzy na temat tej niesłychanie szybko rozwijającej się i dynamicznie wkraczającej w nasze życie dziedziny. Została napisana tak, aby była przystępna dla osób posiadających podstawowe umiejętności matematyczne. Może stanowić podręcznik dla studentów takich kierunków ja...(29.40 zł najniższa cena z 30 dni)
29.40 zł
49.00 zł(-40%) -
To książka przeznaczona dla inżynierów, którzy chcą stosować systemy uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych. Zaprezentowano w niej systemy ML używane w szybko rozwijających się startupach, a także przedstawiono holistyczne podejście do ich projektowania ― z...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Ta książka jest praktycznym podręcznikiem opartym na sprawdzonej metodyce: nauce poprzez pisanie kodu w Pythonie. Aby w pełni z niego skorzystać, nie musisz znać wyższej matematyki. Dzięki praktycznym lekcjom szybko zaczniesz programowo tworzyć konkretne rozwiązania. Dowiesz się, jak można zaimpl...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%)
O autorach ebooka
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.
Dr Vahid Mirjalili zajmuje się stosowaniem uczenia maszynowego w rozpoznawaniu obrazów i zwiększaniu prywatności przy użyciu danych biometrycznych. Projektuje też modele sieci neuronowych, które mają ułatwiać wykrywanie pieszych przez pojazdy autonomiczne.
Sebastian Raschka, Vahid Mirjalili - pozostałe książki
-
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.
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
(133.67 zł najniższa cena z 30 dni)133.17 zł
149.00 zł(-11%) -
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 le...
-
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 b...(49.50 zł najniższa cena z 30 dni)
49.50 zł
99.00 zł(-50%) -
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, sposo...(34.50 zł najniższa cena z 30 dni)
34.50 zł
69.00 zł(-50%) -
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 tec...(100.11 zł najniższa cena z 30 dni)
99.61 zł
119.00 zł(-16%) -
Machine learning and predictive analytics are becoming one of the key strategies for unlocking growth in a challenging contemporary marketplace. It is one of the fastest growing trends in modern computing, and everyone wants to get into the field of machine learning. In order to obtain sufficient...(290.79 zł najniższa cena z 30 dni)
290.69 zł
309.00 zł(-6%) -
The Python: Real-World Data Science course will take you on a journey to become an efficient data science practitioner by thoroughly understanding the key concepts of Python. This learning path is divided into four modules and each module are a mini course in their own right, and as you complete ...
Python: Real-World Data Science. Real-World Data Science
Fabrizio Romano, Dusty Phillips, Phuong Vo.T.H, Martin Czygan, Robert Layton, Sebastian Raschka
-
Machine learning and predictive analytics are transforming the way businesses and other organizations operate. Being able to understand trends and patterns in complex data is critical to success, becoming one of the key strategies for unlocking growth in a challenging contemporary marketplace. Py...
-
R has grown rapidly over the years to become one of the most versatile and valuable tools for data analysis and graphing. One of its many useful features is the heat map representation of numerical data, which is an invaluable tool to discover patterns in data quickly and efficiently.Instant Heat...(64.14 zł najniższa cena z 30 dni)
63.64 zł
79.90 zł(-20%)
Zobacz pozostałe książki z serii
-
Oto kompleksowe omówienie sposobów wdrażania najnowszych dostępnych środków zabezpieczających systemy linuksowe. Z książki dowiesz się, jak skonfigurować laboratorium do ćwiczeń praktycznych, tworzyć konta użytkowników z odpowiednimi poziomami uprawnień, chronić dane dzięki uprawnieniom i szyfrow...(77.40 zł najniższa cena z 30 dni)
77.40 zł
129.00 zł(-40%) -
Ta książka pomoże Ci w doskonaleniu umiejętności potrzebnych na każdym etapie dochodzenia cyfrowego, od zbierania dowodów, poprzez ich analizę, po tworzenie raportów. Dzięki wielu wskazówkom i praktycznym ćwiczeniom przyswoisz techniki analizy, ekstrakcji danych i raportowania przy użyciu zaawans...(59.40 zł najniższa cena z 30 dni)
59.40 zł
99.00 zł(-40%) -
Oto uzupełnione i zaktualizowane wydanie bestsellerowego przewodnika dla inżynierów sieci. Dzięki niemu przejdziesz trudną (ale ekscytującą!) drogę od tradycyjnej platformy do platformy sieciowej opartej na najlepszych praktykach programistycznych. Zaczniesz od zagadnień podstawowych, aby następn...(77.40 zł najniższa cena z 30 dni)
77.40 zł
129.00 zł(-40%) -
Oto zaktualizowane wydanie bestsellerowego przewodnika dla architektów rozwiązań. Dzięki niemu dobrze poznasz wzorce projektowe wbudowane w chmurę, czyli model AWS Well-Architected Framework. Zaznajomisz się z sieciami w chmurze AWS z uwzględnieniem sieci brzegowych i tworzeniem hybrydowych połąc...
AWS dla architektów rozwiązań. Tworzenie, skalowanie i migracja aplikacji do chmury Amazon Web Services. Wydanie II
Saurabh Shrivastava, Neelanjali Srivastav, Alberto Artasanchez, Imtiaz Sayed
(83.40 zł najniższa cena z 30 dni)83.40 zł
139.00 zł(-40%) -
Ten szczegółowy przewodnik pozwoli Ci na błyskawiczne zapoznanie się z .NET MAUI i sprawne rozpoczęcie pisania aplikacji za pomocą tej technologii. Zaprezentowano w nim filozofię działania .NET MAUI, jak również przebieg prac nad tworzeniem kompletnej aplikacji wieloplatformowej dla systemów: And...(47.40 zł najniższa cena z 30 dni)
47.40 zł
79.00 zł(-40%) -
Ta książka szczególnie przyda się osobom, które rozpoczynają pracę z Angularem. Dzięki niej szybko zaczniesz tworzyć aplikacje z wykorzystaniem wiersza poleceń (CLI), pisać testy jednostkowe i używać stylów zgodnych ze standardem Material Design. Dowiesz się również, jak wdrażać aplikacje w środo...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Oto praktyczny, przystępnie napisany przewodnik, który stanowi wprowadzenie do pracy z technologią Blazor. Opisuje możliwości modeli Server i WebAssembly, przedstawia także krok po kroku proces powstawania aplikacji internetowej. Dzięki temu płynnie przejdziesz do tworzenia projektów Blazor, nauc...(41.40 zł najniższa cena z 30 dni)
41.40 zł
69.00 zł(-40%) -
To książka przeznaczona dla profesjonalnych administratorów i użytkowników Linuksa. Dzięki niej szybciej zrozumiesz, w jakim stopniu dobre zarządzanie systemami na poziomie systemu operacyjnego może wynieść działanie infrastruktury biznesowej na zupełnie inny poziom. Znajdziesz tu najlepsze prakt...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Książka stanowi wprowadzenie do pracy z funkcjami SI dostępnymi w Power BI; jest skierowana do osób znających to środowisko. Dowiesz się z niej, w jaki sposób sztuczna inteligencja może być używana w Power BI i jakie funkcje są w nim domyślnie dostępne. Nauczysz się też eksplorować i przygotowywa...(47.40 zł najniższa cena z 30 dni)
47.40 zł
79.00 zł(-40%) -
To drugie wydanie popularnego przewodnika dla śledczych. Dzięki niemu sprawnie przygotujesz się do pracy z narzędziami kryminalistycznymi i zapoznasz się ze stosowanymi w informatyce śledczej technikami. Nauczysz się pozyskiwać informacje o podejrzanych i zabezpieczać znajdujące się w sieci dane,...(47.40 zł najniższa cena z 30 dni)
47.40 zł
79.00 zł(-40%)
Ebooka "Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III" 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. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III" 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 "Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III" 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
- Tytuł oryginału:
- Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition
- Tłumaczenie:
- Krzysztof Sawka
- ISBN Książki drukowanej:
- 978-83-283-7001-2, 9788328370012
- Data wydania książki drukowanej:
- 2021-02-09
- ISBN Ebooka:
- 978-83-283-7002-9, 9788328370029
- Data wydania ebooka:
-
2021-02-09
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.
- Format:
- 168x237
- Numer z katalogu:
- 127555
- druk na żądanie!
- dnż
- Rozmiar pliku Pdf:
- 24.4MB
- Rozmiar pliku ePub:
- 24.4MB
- Rozmiar pliku Mobi:
- 45.0MB
- Pobierz przykładowy rozdział PDF
- Przykłady na ftp
Ebook zawiera materiały dodatkowe, które możesz pobrać z serwera FTP - link znajdziesz na stronie redakcyjnej.
Spis treści ebooka
- Tworzenie inteligentnych maszyn służących do przekształcania danych w wiedzę 28
- Trzy różne rodzaje uczenia maszynowego 28
- Przewidywanie przyszłości za pomocą uczenia nadzorowanego 29
- Rozwiązywanie problemów interaktywnych za pomocą uczenia przez wzmacnianie 32
- Odkrywanie ukrytych struktur za pomocą uczenia nienadzorowanego 33
- Wprowadzenie do podstawowej terminologii i notacji 35
- Notacja i konwencje używane w niniejszej książce 35
- Terminologia uczenia maszynowego 37
- Strategia tworzenia systemów uczenia maszynowego 38
- Wstępne przetwarzanie - nadawanie danym formy 38
- Trenowanie i dobór modelu predykcyjnego 39
- Ewaluacja modeli i przewidywanie wystąpienia nieznanych danych 40
- Wykorzystywanie środowiska Python do uczenia maszynowego 40
- Instalacja środowiska Python i pakietów z repozytorium Python Package Index 41
- Korzystanie z platformy Anaconda i menedżera pakietów 41
- Pakiety przeznaczone do obliczeń naukowych, analizy danych i uczenia maszynowego 42
- Podsumowanie 42
- Sztuczne neurony - rys historyczny początków uczenia maszynowego 46
- Definicja formalna sztucznego neuronu 47
- Reguła uczenia perceptronu 49
- Implementacja algorytmu uczenia perceptronu w Pythonie 51
- Obiektowy interfejs API perceptronu 51
- Trenowanie modelu perceptronu na zestawie danych Iris 54
- Adaptacyjne neurony liniowe i zbieżność uczenia 60
- Minimalizacja funkcji kosztu za pomocą metody gradientu prostego 61
- Implementacja algorytmu Adaline w Pythonie 63
- Usprawnianie gradientu prostego poprzez skalowanie cech 67
- Wielkoskalowe uczenie maszynowe i metoda stochastycznego spadku wzdłuż gradientu 69
- Podsumowanie 73
- Wybór algorytmu klasyfikującego 76
- Pierwsze kroki z biblioteką scikit-learn - uczenie perceptronu 76
- Modelowanie prawdopodobieństwa przynależności do klasy za pomocą regresji logistycznej 82
- Regresja logistyczna i prawdopodobieństwo warunkowe 82
- Wyznaczanie wag logistycznej funkcji kosztu 86
- Przekształcanie implementacji Adaline do postaci algorytmu regresji logistycznej 88
- Uczenie modelu regresji logistycznej za pomocą biblioteki scikit-learn 92
- Zapobieganie przetrenowaniu za pomocą regularyzacji 94
- Wyznaczanie maksymalnego marginesu za pomocą maszyn wektorów nośnych 97
- Teoretyczne podłoże maksymalnego marginesu 98
- Rozwiązywanie przypadków nieliniowo rozdzielnych za pomocą zmiennych uzupełniających 99
- Alternatywne implementacje w interfejsie scikit-learn 101
- Rozwiązywanie nieliniowych problemów za pomocą jądra SVM 102
- Metody jądrowe dla danych nierozdzielnych liniowo 102
- Stosowanie sztuczki z funkcją jądra do znajdowania przestrzeni rozdzielających w przestrzeni wielowymiarowej 104
- Uczenie drzew decyzyjnych 107
- Maksymalizowanie przyrostu informacji - osiąganie jak największych korzyści 108
- Budowanie drzewa decyzyjnego 112
- Łączenie wielu drzew decyzyjnych za pomocą modelu losowego lasu 115
- Algorytm k-najbliższych sąsiadów - model leniwego uczenia 119
- Podsumowanie 122
- Kwestia brakujących danych 126
- Wykrywanie brakujących wartości w danych tabelarycznych 126
- Usuwanie przykładów uczących lub cech niezawierających wartości 127
- Wstawianie brakujących danych 128
- Estymatory interfejsu scikit-learn 129
- Przetwarzanie danych kategorialnych 130
- Kodowanie danych kategorialnych za pomocą biblioteki pandas 131
- Mapowanie cech porządkowych 131
- Kodowanie etykiet klas 132
- Kodowanie "gorącojedynkowe" cech nominalnych (z użyciem wektorów własnych) 133
- Rozdzielanie zestawu danych na oddzielne podzbiory uczący i testowy 136
- Skalowanie cech 138
- Dobór odpowiednich cech 140
- Regularyzacje L1 i L2 jako kary ograniczające złożoność modelu 141
- Interpretacja geometryczna regularyzacji L2 141
- Rozwiązania rzadkie za pomocą regularyzacji L1 143
- Algorytmy sekwencyjnego wyboru cech 146
- Ocenianie istotności cech za pomocą algorytmu losowego lasu 151
- Podsumowanie 154
- Nienadzorowana redukcja wymiarowości za pomocą analizy głównych składowych 156
- Podstawowe etapy analizy głównych składowych 156
- Wydobywanie głównych składowych krok po kroku 158
- Wyjaśniona wariancja całkowita 160
- Transformacja cech 161
- Analiza głównych składowych w interfejsie scikit-learn 164
- Nadzorowana kompresja danych za pomocą liniowej analizy dyskryminacyjnej 167
- Porównanie analizy głównych składowych z liniową analizą dyskryminacyjną 167
- Wewnętrzne mechanizmy działania liniowej analizy dyskryminacyjnej 169
- Obliczanie macierzy rozproszenia 169
- Dobór dyskryminant liniowych dla nowej podprzestrzeni cech 171
- Rzutowanie przykładów na nową przestrzeń cech 173
- Implementacja analizy LDA w bibliotece scikit-learn 174
- Jądrowa analiza głównych składowych jako metoda odwzorowywania nierozdzielnych liniowo klas 176
- Funkcje jądra oraz sztuczka z funkcją jądra 177
- Implementacja jądrowej analizy głównych składowych w Pythonie 181
- Rzutowanie nowych punktów danych 188
- Algorytm jądrowej analizy głównych składowych w bibliotece scikit-learn 191
- Podsumowanie 192
- Usprawnianie cyklu pracy za pomocą kolejkowania 195
- Wczytanie zestawu danych Breast Cancer Wisconsin 196
- Łączenie funkcji transformujących i estymatorów w kolejce czynności 197
- Stosowanie k-krotnego sprawdzianu krzyżowego w ocenie skuteczności modelu 198
- Metoda wydzielania 199
- K-krotny sprawdzian krzyżowy 200
- Sprawdzanie algorytmów za pomocą krzywych uczenia i krzywych walidacji 204
- Diagnozowanie problemów z obciążeniem i wariancją za pomocą krzywych uczenia 204
- Rozwiązywanie problemów przetrenowania i niedotrenowania za pomocą krzywych walidacji 208
- Dostrajanie modeli uczenia maszynowego za pomocą metody przeszukiwania siatki 209
- Strojenie hiperparametrów przy użyciu metody przeszukiwania siatki 210
- Dobór algorytmu poprzez zagnieżdżony sprawdzian krzyżowy 211
- Przegląd wskaźników oceny skuteczności 213
- Odczytywanie macierzy pomyłek 213
- Optymalizacja precyzji i pełności modelu klasyfikującego 215
- Wykres krzywej ROC 217
- Wskaźniki zliczające dla klasyfikacji wieloklasowej 220
- Kwestia dysproporcji klas 220
- Podsumowanie 223
- Uczenie zespołów 225
- Łączenie klasyfikatorów za pomocą algorytmu głosowania większościowego 229
- Implementacja prostego klasyfikatora głosowania większościowego 230
- Stosowanie reguły głosowania większościowego do uzyskiwania prognoz 235
- Ewaluacja i strojenie klasyfikatora zespołowego 237
- Agregacja - tworzenie zespołu klasyfikatorów za pomocą próbek początkowych 242
- Agregacja w pigułce 243
- Stosowanie agregacji do klasyfikowania przykładów z zestawu Wine 244
- Usprawnianie słabych klasyfikatorów za pomocą wzmocnienia adaptacyjnego 248
- Wzmacnianie - mechanizm działania 248
- Stosowanie algorytmu AdaBoost za pomocą biblioteki scikit-learn 252
- Podsumowanie 255
- Przygotowywanie zestawu danych IMDb movie review do przetwarzania tekstu 258
- Uzyskiwanie zestawu danych IMDb 258
- Przetwarzanie wstępne zestawu danych IMDb do wygodniejszego formatu 259
- Wprowadzenie do modelu worka słów 260
- Przekształcanie słów w wektory cech 261
- Ocena istotności wyrazów za pomocą ważenia częstości termów - odwrotnej częstości w tekście 262
- Oczyszczanie danych tekstowych 264
- Przetwarzanie tekstu na znaczniki 266
- Uczenie modelu regresji logistycznej w celu klasyfikowania tekstu 268
- Praca z większą ilością danych - algorytmy sieciowe i uczenie pozardzeniowe 270
- Modelowanie tematyczne za pomocą alokacji ukrytej zmiennej Dirichleta 273
- Rozkładanie dokumentów tekstowych za pomocą analizy LDA 274
- Analiza LDA w bibliotece scikit-learn 274
- Podsumowanie 277
- Serializacja wyuczonych estymatorów biblioteki scikit-learn 280
- Konfigurowanie bazy danych SQLite 283
- Tworzenie aplikacji sieciowej za pomocą środowiska Flask 285
- Nasza pierwsza aplikacja sieciowa 285
- Sprawdzanie i wyświetlanie formularza 287
- Przekształcanie klasyfikatora recenzji w aplikację sieciową 293
- Pliki i katalogi - wygląd drzewa katalogów 295
- Implementacja głównej części programu w pliku app.py 296
- Konfigurowanie formularza recenzji 298
- Tworzenie szablonu strony wynikowej 299
- Umieszczanie aplikacji sieciowej na publicznym serwerze 301
- Tworzenie konta w serwisie PythonAnywhere 301
- Przesyłanie aplikacji klasyfikatora filmowego 302
- Aktualizowanie klasyfikatora recenzji filmowych 303
- Podsumowanie 305
- Wprowadzenie do regresji liniowej 308
- Prosta regresja liniowa 308
- Wielowymiarowa regresja liniowa 308
- Zestaw danych Housing 310
- Wczytywanie zestawu danych Housing do obiektu DataFrame 310
- Wizualizowanie ważnych elementów zestawu danych 312
- Analiza związków za pomocą macierzy korelacji 313
- Implementacja modelu regresji liniowej wykorzystującego zwykłą metodę najmniejszych kwadratów 315
- Określanie parametrów regresywnych za pomocą metody gradientu prostego 316
- Szacowanie współczynnika modelu regresji za pomocą biblioteki scikit-learn 319
- Uczenie odpornego modelu regresywnego za pomocą algorytmu RANSAC 321
- Ocenianie skuteczności modeli regresji liniowej 324
- Stosowanie regularyzowanych metod regresji 327
- Przekształcanie modelu regresji liniowej w krzywą - regresja wielomianowa 329
- Dodawanie członów wielomianowych za pomocą biblioteki scikit-learn 329
- Modelowanie nieliniowych zależności w zestawie danych Housing 331
- Analiza nieliniowych relacji za pomocą algorytmu losowego lasu 334
- Regresja przy użyciu drzewa decyzyjnego 334
- Regresja przy użyciu losowego lasu 336
- Podsumowanie 339
- Grupowanie obiektów na podstawie podobieństwa przy użyciu algorytmu centroidów 342
- Algorytm centroidów w bibliotece scikit-learn 342
- Inteligentniejszy sposób dobierania pierwotnych centroidów za pomocą algorytmu k-means++ 346
- Twarda i miękka analiza skupień 347
- Stosowanie metody łokcia do wyszukiwania optymalnej liczby skupień 349
- Ujęcie ilościowe jakości analizy skupień za pomocą wykresu profilu 351
- Organizowanie skupień do postaci drzewa skupień 355
- Oddolne grupowanie skupień 356
- Przeprowadzanie hierarchicznej analizy skupień na macierzy odległości 357
- Dołączanie dendrogramów do mapy cieplnej 360
- Aglomeracyjna analiza skupień w bibliotece scikit-learn 361
- Wyznaczanie rejonów o dużej gęstości za pomocą algorytmu DBSCAN 363
- Podsumowanie 368
- Modelowanie złożonych funkcji przy użyciu sztucznych sieci neuronowych 370
- Jednowarstwowa sieć neuronowa - powtórzenie 371
- Wstęp do wielowarstwowej architektury sieci neuronowych 373
- Aktywacja sieci neuronowej za pomocą propagacji w przód 376
- Klasyfikowanie pisma odręcznego 379
- Zestaw danych MNIST 379
- Implementacja perceptronu wielowarstwowego 385
- Trenowanie sztucznej sieci neuronowej 395
- Obliczanie logistycznej funkcji kosztu 395
- Wyjaśnienie algorytmu wstecznej propagacji 398
- Uczenie sieci neuronowych za pomocą algorytmu propagacji wstecznej 399
- Zbieżność w sieciach neuronowych 402
- Jeszcze słowo o implementacji sieci neuronowej 404
- Podsumowanie 404
- Biblioteka TensorFlow a skuteczność uczenia 408
- Wyzwania związane z wydajnością 408
- Czym jest biblioteka TensorFlow? 409
- W jaki sposób będziemy poznawać bibliotekę TensorFlow? 411
- Pierwsze kroki z biblioteką TensorFlow 411
- Instalacja modułu TensorFlow 411
- Tworzenie tensorów w TensorFlow 412
- Manipulowanie typem danych i rozmiarem tensora 413
- Przeprowadzanie operacji matematycznych na tensorach 414
- Dzielenie, nawarstwianie i łączenie tensorów 415
- Tworzenie potoków wejściowych za pomocą tf.data, czyli interfejsu danych TensorFlow 416
- Tworzenie obiektów Dataset z istniejących tensorów 417
- Łączenie dwóch tensorów we wspólny zestaw danych 418
- Potasuj, pogrupuj, powtórz 419
- Tworzenie zestawu danych z plików umieszczonych w lokalnym magazynie dyskowym 422
- Pobieranie dostępnych zestawów danych z biblioteki tensorflow_datasets 425
- Tworzenie modelu sieci neuronowej za pomocą modułu TensorFlow 430
- Interfejs Keras (tf.keras) 430
- Tworzenie modelu regresji liniowej 431
- Uczenie modelu za pomocą metod .compile() i .fit() 435
- Tworzenie perceptronu wielowarstwowego klasyfikującego kwiaty z zestawu danych Iris 436
- Ocena wytrenowanego modelu za pomocą danych testowych 439
- Zapisywanie i wczytywanie wyuczonego modelu 440
- Dobór funkcji aktywacji dla wielowarstwowych sieci neuronowych 440
- Funkcja logistyczna - powtórzenie 441
- Szacowanie prawdopodobieństw przynależności do klas w klasyfikacji wieloklasowej za pomocą funkcji softmax 443
- Rozszerzanie zakresu wartości wyjściowych za pomocą funkcji tangensa hiperbolicznego 444
- Aktywacja za pomocą prostowanej jednostki liniowej (ReLU) 446
- Podsumowanie 448
- Cechy kluczowe TensorFlow 450
- Grafy obliczeniowe TensorFlow: migracja do wersji TensorFlow 2 451
- Grafy obliczeniowe 451
- Tworzenie grafu w wersji TensorFlow 1.x 452
- Migracja grafu do wersji TensorFlow 2 453
- Wczytywanie danych wejściowych do modelu: TensorFlow 1.x 453
- Wczytywanie danych wejściowych do modelu: TensorFlow 2 454
- Poprawianie wydajności obliczeniowej za pomocą dekoratorów funkcji 455
- Obiekty Variable służące do przechowywania i aktualizowania parametrów modelu 456
- Obliczanie gradientów za pomocą różniczkowania automatycznego i klasy GradientTape 460
- Obliczanie gradientów funkcji straty w odniesieniu do zmiennych modyfikowalnych 460
- Obliczanie gradientów w odniesieniu do tensorów niemodyfikowalnych 462
- Przechowywanie zasobów na obliczanie wielu gradientów 462
- Upraszczanie implementacji popularnych struktur za pomocą interfejsu Keras 463
- Rozwiązywanie problemu klasyfikacji XOR 466
- Zwiększenie możliwości budowania modeli za pomocą interfejsu funkcyjnego Keras 471
- Implementowanie modeli bazujących na klasie Model 472
- Pisanie niestandardowych warstw Keras 473
- Estymatory TensorFlow 476
- Praca z kolumnami cech 477
- Uczenie maszynowe za pomocą gotowych estymatorów 481
- Stosowanie estymatorów w klasyfikacji zestawu pisma odręcznego MNIST 484
- Tworzenie niestandardowego estymatora z istniejącego modelu Keras 486
- Podsumowanie 488
- Podstawowe elementy splotowej sieci neuronowej 490
- Splotowe sieci neuronowe i hierarchie cech 490
- Splot dyskretny 492
- Warstwy podpróbkowania 501
- Implementowanie sieci CNN 502
- Praca z wieloma kanałami wejściowymi/barw 503
- Regularyzowanie sieci neuronowej metodą porzucania 506
- Funkcje straty w zadaniach klasyfikacji 509
- Implementacja głębokiej sieci splotowej za pomocą biblioteki TensorFlow 511
- Architektura wielowarstwowej sieci CNN 511
- Wczytywanie i wstępne przetwarzanie danych 512
- Implementowanie sieci CNN za pomocą interfejsu Keras 513
- Klasyfikowanie płci na podstawie zdjęć twarzy za pomocą sieci splotowej 518
- Wczytywanie zestawu danych CelebA 519
- Przekształcanie obrazów i dogenerowanie danych 520
- Uczenie modelu CNN jako klasyfikatora płci 525
- Podsumowanie 530
- Wprowadzenie do danych sekwencyjnych 534
- Modelowanie danych sekwencyjnych - kolejność ma znaczenie 534
- Przedstawianie sekwencji 535
- Różne kategorie modelowania sekwencji 536
- Sieci rekurencyjne służące do modelowania sekwencji 537
- Mechanizm zapętlania w sieciach rekurencyjnych 537
- Obliczanie aktywacji w sieciach rekurencyjnych 539
- Rekurencja w warstwie ukrytej a rekurenacja w warstwie wyjściowej 542
- Problemy z uczeniem długofalowych oddziaływań 544
- Jednostki LSTM 546
- Implementowanie wielowarstwowej sieci rekurencyjnej przy użyciu biblioteki TensorFlow do modelowania sekwencji 548
- Pierwszy projekt - przewidywanie sentymentów na recenzjach z zestawu danych IMDb 548
- Drugi projekt - modelowanie języka na poziomie znaków w TensorFlow 561
- Przetwarzanie języka za pomocą modelu transformatora 572
- Wyjaśnienie mechanizmu samouwagi 573
- Wieloblokowy mechanizm uwagi i komórka transformatora 575
- Podsumowanie 577
- Wprowadzenie do generatywnych sieci przeciwstawnych 580
- Autokodery 580
- Modele generatywne syntetyzujące nowe dane 582
- Generowanie nowych prób za pomocą sieci GAN 584
- Funkcje straty generatora i dyskryminatora w modelu GAN 585
- Implementowanie sieci GAN od podstaw 587
- Uczenie modeli GAN w środowisku Google Colab 587
- Implementacja sieci generatora i dyskryminatora 590
- Definiowanie zestawu danych uczących 593
- Uczenie modelu GAN 595
- Poprawianie jakości syntetyzowanych obrazów za pomocą sieci GAN: splotowej i Wassersteina 603
- Splot transponowany 603
- Normalizacja wsadowa 605
- Implementowanie generatora i dyskryminatora 607
- Wskaźniki odmienności dwóch rozkładów 613
- Praktyczne stosowanie odległości EM w sieciach GAN 616
- Kara gradientowa 617
- Implementacja sieci WGAN-DP służącej do uczenia modelu DCGAN 617
- Załamanie modu 622
- Inne zastosowania modeli GAN 623
- Podsumowanie 624
- Wprowadzenie: uczenie z doświadczenia 626
- Filozofia uczenia przez wzmacnianie 626
- Definicja interfejsu agent-środowisko w systemie uczenia przez wzmacnianie 628
- Podstawy teoretyczne uczenia przez wzmacnianie 629
- Procesy decyzyjne Markowa 629
- Wyjaśnienie matematyczne procesów decyzyjnych Markowa 630
- Terminologia uczenia przez wzmacnianie: zwrot, strategia i funkcja wartości 633
- Programowanie dynamiczne za pomocą równania Bellmana 636
- Algorytmy uczenia przez wzmacnianie 637
- Programowanie dynamiczne 638
- Uczenie przez wzmacnianie metodą Monte Carlo 641
- Uczenie metodą różnic czasowych 643
- Implementacja naszego pierwszego algorytmu uczenia przez wzmacnianie 646
- Wprowadzenie do pakietu OpenAI Gym 646
- Rozwiązywanie problemu świata blokowego za pomocą Q-uczenia 654
- Krótko o algorytmie Q-uczenia głębokiego 658
- Podsumowanie rozdziału i książki 665
Informacje o autorach 13
Informacje o recenzentach 15
Wstęp 17
Rozdział 1. Umożliwianie komputerom uczenia się z danych 27
Rozdział 2. Trenowanie prostych algorytmów uczenia maszynowego w celach klasyfikacji 45
Rozdział 3. Stosowanie klasyfikatorów uczenia maszynowego za pomocą biblioteki scikit-learn 75
Rozdział 4. Tworzenie dobrych zestawów danych uczących - wstępne przetwarzanie danych 125
Rozdział 5. Kompresja danych poprzez redukcję wymiarowości 155
Rozdział 6. Najlepsze metody oceny modelu i strojenie parametryczne 195
Rozdział 7. Łączenie różnych modeli w celu uczenia zespołowego 225
Rozdział 8. Wykorzystywanie uczenia maszynowego w analizie sentymentów 257
Rozdział 9. Wdrażanie modelu uczenia maszynowego do aplikacji sieciowej 279
Rozdział 10. Przewidywanie ciągłych zmiennych docelowych za pomocą analizy regresywnej 307
Rozdział 11. Praca z nieoznakowanymi danymi - analiza skupień 341
Rozdział 12. Implementowanie wielowarstwowej sieci neuronowej od podstaw 369
Rozdział 13. Równoległe przetwarzanie sieci neuronowych za pomocą biblioteki TensorFlow 407
Rozdział 14. Czas na szczegóły - mechanizm działania biblioteki TensorFlow 449
Rozdział 15. Klasyfikowanie obrazów za pomocą głębokich splotowych sieci neuronowych 489
Rozdział 16. Modelowanie danych sekwencyjnych za pomocą rekurencyjnych sieci neuronowych 533
Rozdział 17. Generatywne sieci przeciwstawne w zadaniach syntetyzowania nowych danych 579
Rozdział 18. Uczenie przez wzmacnianie jako mechanizm podejmowania decyzji w skomplikowanych środowiskach 625
Oceny i opinie klientów: Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III Sebastian Raschka, Vahid Mirjalili (11)
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.
(6)
(3)
(1)
(0)
(0)
(1)
Oceny i opinie poprzednich wydań
więcej opinii