- Wydawnictwo:
- Helion
- Wydawnictwo:
- Helion
- Ocena:
- 3.5/6 Opinie: 4
- Stron:
- 544
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis ebooka: Uczenie maszynowe w Pythonie dla każdego
Sztuczna inteligencja i uczenie maszynowe rozwijają się z niezwykłą dynamiką i znajdują coraz więcej różnorodnych zastosowań w niemal wszystkich branżach. Ten spektakularny postęp jest silnie związany z osiągnięciami w świecie sprzętu i oprogramowania. Obecnie do uczenia maszynowego używa się wielu języków programowania, takich jak R, C, C++, Fortran i Go, jednak najpopularniejszym wyborem okazał się Python wraz z jego specjalistycznymi bibliotekami. Znajomość tych bibliotek i narzędzi umożliwia tworzenie systemów uczących się nawet tym osobom, które nie dysponują głęboką wiedzą z dziedziny matematyki.
Ta książka jest przeznaczona dla każdego, kto choć trochę zna Pythona i chce nauczyć się uczenia maszynowego. Zagadnienia matematyczne zostały tu zaprezentowane w minimalnym stopniu, za to więcej uwagi poświęcono koncepcjom, na których oparto najważniejsze i najczęściej używane narzędzia oraz techniki uczenia maszynowego. Następnie pokazano praktyczne zasady implementacji uczenia maszynowego z wykorzystaniem najdoskonalszych bibliotek i narzędzi Pythona. Opisano używane dziś komponenty systemów uczących się, w tym techniki klasyfikacji i regresji, a także inżynierię cech, która pozwala przekształcać dane na użyteczną postać. Przeanalizowano liczne algorytmy i najczęściej stosowane techniki uczenia maszynowego. Pokrótce przedstawiono modele grafowe i sieci neuronowe, w tym sieci głębokie, jak również połączenie tych technik z bardziej zaawansowanymi metodami, przydatnymi choćby w pracy na danych graficznych i tekstowych.
W książce między innymi:
- algorytmy i modele uczenia maszynowego
- zasady oceny skuteczności systemów uczących
- techniki przekształcania danych
- techniki uczenia maszynowego do obrazu i tekstu
- sieci neuronowe i modele grafowe
- biblioteka scikit-learn i inne narzędzia Pythona
Uczenie maszynowe z Pythonem: od dziś dla każdego!
Kompletny podręcznik poznawania i budowania systemów uczenia maszynowego w Pythonie dla początkujących
Uczenie maszynowe z użyciem Pythona dla każdego pomoże Ci opanować procesy, wzorce i strategie potrzebne do budowania skutecznych systemów uczących się - i to nawet jeśli nie masz żadnego doświadczenia w tej dziedzinie. Jeśli potrafisz pisać kod w Pythonie, ta książka jest przeznaczona dla Ciebie. Nie ma znaczenia, jak niewielka jest Twoja wiedza z zakresu matematyki na poziomie uniwersyteckim. Autor, Mark E. Fenner, omawia zagadnienia z obszaru uczenia maszynowego z wykorzystaniem historyjek, rysunków i przykładów w Pythonie.
Mark rozpoczyna od omówienia uczenia maszynowego i tego, co pozwala ono zrobić. Następnie w przystępny sposób przedstawia najważniejsze zagadnienia matematyczne i informatyczne oraz pomaga stawiać czytelnikom pierwsze kroki w budowaniu, uczeniu i ocenianiu systemów uczących się. Krok po kroku prezentuje komponenty praktycznych systemów uczących się, wzbogaca zestaw narzędzi i analizuje wybrane spośród najbardziej zaawansowanych i ekscytujących technik z dziedziny uczenia maszynowego. Niezależnie od tego, czy jesteś studentem, analitykiem, naukowcem lub hobbystą, wiedzę z tego poradnika będziesz mógł zastosować w każdym systemie uczącym się, jaki kiedykolwiek zbudujesz lub zastosujesz.
Dr Mark E. Fenner od 1999 roku uczy informatyki i matematyki różne grupy dorosłych. Pracował nad różnymi aspektami data science - od niskopoziomowych implementacji po analizy i wizualizację. Mark prowadził szkolenia i rozwijał programy nauczania dla firm z listy Fortune 50, małych firm konsultingowych i ogólnokrajowych laboratoriów badawczych. Jest doktorem informatyki i właścicielem firmy Fenner Training and Consulting, LLC.
- Poznaj algorytmy i modele uczenia maszynowego oraz podstawowe zagadnienia z tej dziedziny.
- Buduj systemy uczące się dla danych kategorialnych i liczbowych.
- Realistycznie oceniaj skuteczność systemów z dziedziny uczenia maszynowego.
- Stosuj inżynierię cech do przekształcania niedoskonałych danych na użyteczną postać.
- Łącz różne komponenty w jeden system i pracuj nad jego skutecznością.
- Stosuj techniki uczenia maszynowego do obrazu i tekstu.
- Połącz podstawowe zagadnienia z sieciami neuronowymi i modelami grafowymi.
- Korzystaj z biblioteki scikit-learn Pythona i innych wartościowych narzędzi.
Wybrane bestsellery
-
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...(44.85 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...(44.85 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)
55.20 zł
69.00 zł(-20%) -
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)
87.20 zł
109.00 zł(-20%) -
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)
71.20 zł
89.00 zł(-20%) -
Agile i Scrum, Scrum i Agile. Opanowawszy branżę IT, powoli, ale konsekwentnie, zdobywają inne biznesowe przyczółki i rozgaszczają się w firmach na dobre… Albo niedobre, gdy budzą niezrozumienie, protesty, a czasem nawet chęć ucieczki! Agile i Scrum brzmią tak nowocześnie, w teorii świetnie...(23.94 zł najniższa cena z 30 dni)
31.92 zł
39.90 zł(-20%) -
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)
95.20 zł
119.00 zł(-20%) -
Mam licencje na wszystko. Radio? Proszę bardzo. Gdy mam powiedzieć w porze największej słuchalności ogłaszając zabójcze wyniki wyborów: Drodzy Panstwo! KURWA MAC! nie ma problemu. Zorganizować koncert Perfectu w ścisłym centrum, zakorkować Warszawę o ósmej rano w poniedziałek i dogadać się z poli...(34.83 zł najniższa cena z 30 dni)
34.83 zł
51.99 zł(-33%)
O autorze ebooka
Dr Mark Fenner - uczy dorosłych informatyki i matematyki. Prowadził badania w dziedzinach uczenia maszynowego, bioinformatyki i bezpieczeństwa systemów komputerowych. Zajmował się też analizą bezpieczeństwa repozytoriów oprogramowania, probabilistycznym modelowaniem białek oraz analizą i wizualizacją danych pochodzących z badań ekologicznych i mikroskopowych. Mieszka z rodziną w południowo-wschodniej Pensylwanii.
Ebooka "Uczenie maszynowe w Pythonie dla każdego" 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 "Uczenie maszynowe w Pythonie dla każdego" 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 "Uczenie maszynowe w Pythonie dla każdego" 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:
- Machine Learning with Python for Everyone (Addison-Wesley Data & Analytics Series)
- Tłumaczenie:
- Tomasz Walczak, Jakub Hubisz
- ISBN Książki drukowanej:
- 978-83-283-6425-7, 9788328364257
- Data wydania książki drukowanej:
- 2020-09-18
- ISBN Ebooka:
- 978-83-283-6426-4, 9788328364264
- Data wydania ebooka:
- 2020-09-18 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:
- 110563
- Rozmiar pliku Pdf:
- 6.7MB
- Rozmiar pliku ePub:
- 10.3MB
- Rozmiar pliku Mobi:
- 23.3MB
- 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
- 1.1. Witaj 27
- 1.2. Zakres, terminologia, predykcja i dane 28
- 1.2.1. Cechy 28
- 1.2.2. Wartości docelowe i predykcje 31
- 1.3. Rola maszyny w uczeniu maszynowym 31
- 1.4. Przykład systemów uczących się 33
- 1.4.1. Predykcja kategorii: przykłady klasyfikacji 33
- 1.4.2. Predykcja wartości - przykłady regresorów 35
- 1.5. Ocena systemów uczących się 35
- 1.5.1. Poprawność 36
- 1.5.2. Wykorzystanie zasobów 37
- 1.6. Proces budowania systemów uczących się 38
- 1.7. Założenia i realia uczenia się 40
- 1.8. Zakończenie rozdziału 42
- 1.8.1. Droga przed nami 42
- 1.8.2. Uwagi 43
- 2.1. O naszej konfiguracji 45
- 2.2. Potrzeba posiadania języka matematycznego 45
- 2.3. Nasze oprogramowanie do zmierzenia się z uczeniem maszynowym 46
- 2.4. Prawdopodobieństwo 47
- 2.4.1. Zdarzenia elementarne 48
- 2.4.2. Niezależność zdarzeń 50
- 2.4.3. Prawdopodobieństwo warunkowe 50
- 2.4.4. Rozkłady 52
- 2.5. Kombinacje liniowe, sumy ważone i iloczyny skalarne 54
- 2.5.1. Średnia ważona 57
- 2.5.2. Suma kwadratów 59
- 2.5.3. Suma kwadratów błędów 59
- 2.6. Perspektywa geometryczna: punkty w przestrzeni 60
- 2.6.1. Linie 61
- 2.6.2. Coś więcej niż linie 65
- 2.7. Notacja sztuczki plus jeden 69
- 2.8. Odjazd, zrywanie kaftana bezpieczeństwa i nieliniowość 71
- 2.9. NumPy kontra "cała matematyka" 73
- 2.9.1. Wracamy do 1D i 2D 75
- 2.10. Problemy z wartościami zmiennoprzecinkowymi 78
- 2.11. Zakończenie rozdziału 79
- 2.11.1. Podsumowanie 79
- 2.11.2. Uwagi 79
- 3.1. Zadania klasyfikacji 81
- 3.2. Prosty zestaw danych do klasyfikacji 82
- 3.3. Trenowanie i testowanie: nie ucz się do testu 84
- 3.4. Ocena - wystawienie stopni 87
- 3.5. Prosty klasyfikator nr 1: najbliżsi sąsiedzi, związki na odległość i założenia 88
- 3.5.1. Definiowanie podobieństwa 88
- 3.5.2. k w k-NN 90
- 3.5.3. Kombinacja odpowiedzi 90
- 3.5.4. k-NN, parametry i metody bezparametrowe 90
- 3.5.5. Budowa modelu klasyfikacji k-NN 91
- 3.6. Prosty klasyfikator nr 2: naiwny klasyfikator bayesowski, prawdopodobieństwo i złamane obietnice 93
- 3.7. Uproszczona ocena klasyfikatorów 96
- 3.7.1. Wydajność uczenia się 96
- 3.7.2. Wykorzystanie zasobów w klasyfikacji 97
- 3.7.3. Szacowanie zasobów w aplikacjach samodzielnych 103
- 3.8. Koniec rozdziału 106
- 3.8.1. Ostrzeżenie: ograniczenia i otwarte kwestie 106
- 3.8.2. Podsumowanie 107
- 3.8.3. Uwagi 107
- 3.8.4. Ćwiczenia 109
- 4.1. Prosty zbiór danych dla regresji 111
- 4.2. Regresja z najbliższymi sąsiadami i statystyki sumaryczne 113
- 4.2.1. Miary środka: mediana i średnia 114
- 4.2.2. Budowa modelu regresji k-NN 116
- 4.3. Błędy regresji liniowej 117
- 4.3.1. Ziemia nie jest płaska, czyli dlaczego potrzebujemy pochyłości 118
- 4.3.2. Przekrzywienie pola 120
- 4.3.3. Wykonanie regresji liniowej 122
- 4.4. Optymalizacja - wybór najlepszej odpowiedzi 123
- 4.4.1. Zgadywanie losowe 124
- 4.4.2. Losowe kroki 124
- 4.4.3. Sprytne kroki 125
- 4.4.4. Obliczony skrót 125
- 4.4.5. Wykorzystanie w regresji liniowej 126
- 4.5. Prosta ocena i porównanie regresorów 126
- 4.5.1. Pierwiastek średniego błędu kwadratowego 126
- 4.5.2. Wydajność uczenia się 127
- 4.5.3. Wykorzystanie zasobów w regresji 127
- 4.6. Zakończenie rozdziału 129
- 4.6.1. Ograniczenia i kwestie otwarte 129
- 4.6.2. Podsumowanie 130
- 4.6.3. Uwagi 130
- 4.6.4. Ćwiczenia 130
- 5.1. Ocena i dlaczego mniej znaczy więcej 133
- 5.2. Terminologia dla faz uczenia się 134
- 5.2.1. Powrót do maszyn 135
- 5.2.2. Mówiąc bardziej technicznie... 137
- 5.3. Majorze Tom, coś jest nie tak - nadmierne dopasowanie i niedopasowanie 141
- 5.3.1. Dane syntetyczne i regresja liniowa 141
- 5.3.2. Ręczna modyfikacja złożoności modelu 143
- 5.3.3. Złotowłosa - wizualizacja nadmiernego dopasowania, niedopasowania oraz "w sam raz" 145
- 5.3.4. Prostota 148
- 5.3.5. Uwagi na temat nadmiernego dopasowania 148
- 5.4. Od błędów do kosztów 149
- 5.4.1. Strata 149
- 5.4.2. Koszt 150
- 5.4.3. Punktacja 151
- 5.5. (Powtórne) próbkowanie - zamienić mniej w więcej 152
- 5.5.1. Walidacja krzyżowa 152
- 5.5.2. Rozwarstwienie 156
- 5.5.3. Powtarzany podział na dane treningowe i testowe 158
- 5.5.4. Lepszy sposób i tasowanie 161
- 5.5.5. Walidacja krzyżowa z odłożeniem jednego 164
- 5.6. Rozbicie: dekonstrukcja błędu na błąd systematyczny i wariancję 166
- 5.6.1. Wariancja danych 167
- 5.6.2. Wariancja modelu 167
- 5.6.3. Błąd systematyczny modelu 168
- 5.6.4. A teraz wszystko razem 168
- 5.6.5. Przykłady kompromisów związanych z błędem systematycznym i wariancją 169
- 5.7. Ocena graficzna i porównanie 173
- 5.7.1. Krzywe uczenia - jak dużo danych potrzebujemy? 173
- 5.7.2. Krzywe złożoności 177
- 5.8. Porównywanie metod uczących się za pomocą walidacji krzyżowej 178
- 5.9. Koniec rozdziału 179
- 5.9.1. Podsumowanie 179
- 5.9.2. Uwagi 179
- 5.9.3. Ćwiczenia 181
- 6.1. Klasyfikatory bazowe 183
- 6.2. Więcej niż dokładność - wskaźniki dla klasyfikacji 186
- 6.2.1. Eliminacja zamieszania za pomocą macierzy błędu 187
- 6.2.2. W jaki sposób można się mylić 188
- 6.2.3. Wskaźniki z macierzy błędu 189
- 6.2.4. Kodowanie macierzy błędu 190
- 6.2.5. Radzenie sobie z wieloma klasami - uśrednianie wieloklasowe 192
- 6.2.6. F1 194
- 6.3. Krzywe ROC 194
- 6.3.1. Wzorce w ROC 197
- 6.3.2. Binarny ROC 199
- 6.3.3. AUC - obszar pod krzywą ROC 201
- 6.3.4. Wieloklasowe mechanizmy uczące się, jeden kontra reszta i ROC 203
- 6.4. Inne podejście dla wielu klas: jeden-kontra-jeden 205
- 6.4.1. Wieloklasowe AUC, część druga - w poszukiwaniu pojedynczej wartości 206
- 6.5. Krzywe precyzji i skuteczności wyszukiwania 209
- 6.5.1. Uwaga o kompromisie precyzji i skuteczności wyszukiwania 209
- 6.5.2. Budowanie krzywej precyzji i skuteczności wyszukiwania 210
- 6.6. Krzywe kumulacyjnej odpowiedzi i wzniesienia 211
- 6.7. Bardziej wyrafinowana ocena klasyfikatorów - podejście drugie 213
- 6.7.1. Binarne 213
- 6.7.2. Nowy problem wieloklasowy 217
- 6.8. Koniec rozdziału 222
- 6.8.1. Podsumowanie 222
- 6.8.2. Uwagi 222
- 6.8.3. Ćwiczenia 224
- 7.1. Metody regresji będące punktem odniesienia 225
- 7.2. Dodatkowe miary w metodach regresji 227
- 7.2.1. Tworzenie własnych miar oceny 227
- 7.2.2. Inne wbudowane miary regresji 228
- 7.2.3. R2 229
- 7.3. Wykresy składników resztowych 235
- 7.3.1. Wykresy błędów 235
- 7.3.2. Wykresy składników resztowych 237
- 7.4. Pierwsze podejście do standaryzacji 241
- 7.5. Ocena mechanizmów regresji w bardziej zaawansowany sposób: podejście drugie 245
- 7.5.1. Wyniki po sprawdzianie krzyżowym z użyciem różnych miar 246
- 7.5.2. Omówienie wyników ze sprawdzianu krzyżowego 249
- 7.5.3. Składniki resztowe 250
- 7.6. Koniec rozdziału 251
- 7.6.1. Podsumowanie 251
- 7.6.2. Uwagi 251
- 7.6.3. Ćwiczenia 254
- 8.1. Jeszcze o klasyfikacji 257
- 8.2. Drzewa decyzyjne 259
- 8.2.1. Algorytmy budowania drzewa 262
- 8.2.2. Do pracy. Pora na drzewa decyzyjne 265
- 8.2.3. Obciążenie i wariancja w drzewach decyzyjnych 268
- 8.3. Klasyfikatory oparte na wektorach nośnych 269
- 8.3.1. Stosowanie klasyfikatorów SVC 272
- 8.3.2. Obciążenie i wariancja w klasyfikatorach SVC 275
- 8.4. Regresja logistyczna 277
- 8.4.1. Szanse w zakładach 278
- 8.4.2. Prawdopodobieństwo, szanse i logarytm szans 280
- 8.4.3. Po prostu to zrób: regresja logistyczna 285
- 8.4.4. Regresja logistyczna: osobliwość przestrzenna 286
- 8.5. Analiza dyskryminacyjna 287
- 8.5.1. Kowariancja 289
- 8.5.2. Metody 299
- 8.5.3. Przeprowadzanie analizy dyskryminacyjnej 301
- 8.6. Założenia, obciążenie i klasyfikatory 302
- 8.7. Porównanie klasyfikatorów: podejście trzecie 304
- 8.7.1. Cyfry 305
- 8.8. Koniec rozdziału 307
- 8.8.1. Podsumowanie 307
- 8.8.2. Uwagi 307
- 8.8.3. Ćwiczenia 310
- 9.1. Regresja liniowa na ławce kar - regularyzacja 313
- 9.1.1. Przeprowadzanie regresji z regularyzacją 318
- 9.2. Regresja z użyciem wektorów nośnych 319
- 9.2.1. Zawiasowa funkcja straty 319
- 9.2.2. Od regresji liniowej przez regresję z regularyzacją do regresji SVR 323
- 9.2.3. Po prostu to zrób - w stylu SVR 324
- 9.3. Regresja segmentowa ze stałymi 325
- 9.3.1. Implementowanie regresji segmentowej ze stałymi 327
- 9.3.2. Ogólne uwagi na temat implementowania modeli 328
- 9.4. Drzewa regresyjne 331
- 9.4.1. Przeprowadzanie regresji z użyciem drzew 331
- 9.5. Porównanie metod regresji: podejście trzecie 332
- 9.6. Koniec rozdziału 334
- 9.6.1. Podsumowanie 334
- 9.6.2. Uwagi 334
- 9.6.3. Ćwiczenia 335
- 10.1. Terminologia i przyczyny stosowania inżynierii cech 337
- 10.1.1. Po co stosować inżynierię cech? 338
- 10.1.2. Kiedy stosuje się inżynierię cech? 339
- 10.1.3. Jak przebiega inżynieria cech? 340
- 10.2. Wybieranie cech i redukcja danych - pozbywanie się śmieci 341
- 10.3. Skalowanie cech 342
- 10.4. Dyskretyzacja 346
- 10.5. Kodowanie kategorii 348
- 10.5.1. Inna metoda kodowania i niezwykły przypadek braku punktu przecięcia z osią 351
- 10.6. Relacje i interakcje 358
- 10.6.1. Ręczne tworzenie cech 358
- 10.6.2. Interakcje 360
- 10.6.3. Dodawanie cech na podstawie transformacji 364
- 10.7. Manipulowanie wartościami docelowymi 366
- 10.7.1. Manipulowanie przestrzenią danych wejściowych 367
- 10.7.2. Manipulowanie wartościami docelowymi 369
- 10.8. Koniec rozdziału 371
- 10.8.1. Podsumowanie 371
- 10.8.2. Uwagi 371
- 10.8.3. Ćwiczenia 372
- 11.1. Modele, parametry i hiperparametry 376
- 11.2. Dostrajanie hiperparametrów 378
- 11.2.1. Uwaga na temat słownictwa informatycznego i z dziedziny uczenia maszynowego 378
- 11.2.2. Przykład przeszukiwania kompletnego 378
- 11.2.3. Używanie losowości do szukania igły w stogu siana 384
- 11.3. Wyprawa w rekurencyjną króliczą norę - zagnieżdżony sprawdzian krzyżowy 385
- 11.3.1. Opakowanie w sprawdzian krzyżowy 386
- 11.3.2. Przeszukiwanie siatki jako model 387
- 11.3.3. Sprawdzian krzyżowy zagnieżdżony w sprawdzianie krzyżowym 388
- 11.3.4. Uwagi na temat zagnieżdżonych SK 391
- 11.4. Potoki 393
- 11.4.1. Prosty potok 393
- 11.4.2. Bardziej skomplikowany potok 394
- 11.5. Potoki i dostrajanie całego procesu 395
- 11.6. Koniec rozdziału 397
- 11.6.1. Podsumowanie 397
- 11.6.2. Uwagi 397
- 11.6.3. Ćwiczenia 398
- 12.1. Zespoły 401
- 12.2. Zespoły głosujące 404
- 12.3. Bagging i lasy losowe 404
- 12.3.1. Technika bootstrap 404
- 12.3.2. Od techniki bootstrap do metody bagging 408
- 12.3.3. Przez losowy las 410
- 12.4. Boosting 412
- 12.4.1. Szczegółowe omówienie boostingu 413
- 12.5. Porównywanie metod opartych na zespołach drzew 415
- 12.6. Koniec rozdziału 418
- 12.6.1. Podsumowanie 418
- 12.6.2. Uwagi 419
- 12.6.3. Ćwiczenia 420
- 13.1. Wybieranie cech 425
- 13.1.1. Filtrowanie jednoetapowe z wybieraniem cech na podstawie miar 426
- 13.1.2. Wybieranie cech na podstawie modelu 437
- 13.1.3. Integrowanie wybierania cech z potokiem procesu uczenia 440
- 13.2. Tworzenie cech za pomocą jąder 441
- 13.2.1. Powód używania jąder 441
- 13.2.2. Ręczne metody wykorzystujące jądra 446
- 13.2.3. Metody wykorzystujące jądro i opcje jądra 450
- 13.2.4. Klasyfikatory SVC dostosowane do jądra - maszyny SVM 454
- 13.2.5. Uwagi do zapamiętania na temat maszyn SVM i przykładów 456
- 13.3. Analiza głównych składowych - technika nienadzorowana 457
- 13.3.1. Rozgrzewka - centrowanie 458
- 13.3.2. Znajdowanie innej najlepszej linii 459
- 13.3.3. Pierwsza analiza głównych składowych 461
- 13.3.4. Analiza głównych składowych od kuchni 463
- 13.3.5. Wielki finał - uwagi na temat analizy głównych składowych 469
- 13.3.6. Analiza głównych składowych dla jądra i metody oparte na rozmaitościach 470
- 13.4. Koniec rozdziału 473
- 13.4.1. Podsumowanie 473
- 13.4.2. Uwagi 474
- 13.4.3. Ćwiczenia 478
- 14.1. Praca z tekstem 482
- 14.1.1. Kodowanie tekstu 484
- 14.1.2. Przykład maszynowego klasyfikowania tekstu 488
- 14.2. Klastrowanie 490
- 14.2.1. Klastrowanie metodą k-średnich 491
- 14.3. Praca z obrazami 492
- 14.3.1. Worek słów graficznych 492
- 14.3.2. Dane graficzne 493
- 14.3.3. Kompletny system 494
- 14.3.4. Kompletny kod transformacji obrazów na postać WGSG 501
- 14.4. Koniec rozdziału 503
- 14.4.1. Podsumowanie 503
- 14.4.2. Uwagi 503
- 14.4.3. Ćwiczenia 505
- 15.1. Optymalizacja 507
- 15.2. Regresja liniowa z prostych składników 510
- 15.2.1. Graficzne ujęcie regresji liniowej 513
- 15.3. Regresja logistyczna z prostych składników 514
- 15.3.1. Regresja logistyczna i kodowanie zerojedynkowe 515
- 15.3.2. Regresja logistyczna z kodowaniem plus jeden - minus jeden 517
- 15.3.3. Graficzne ujęcie regresji logistycznej 518
- 15.4. Maszyna SVM z prostych składników 518
- 15.5. Sieci neuronowe 520
- 15.5.1. Regresja liniowa za pomocą sieci neuronowych 521
- 15.5.2. Regresja logistyczna za pomocą sieci neuronowych 523
- 15.5.3. Poza podstawowe sieci neuronowe 524
- 15.6. Probabilistyczne modele grafowe 525
- 15.6.1. Próbkowanie 527
- 15.6.2. Regresja liniowa za pomocą modelu PGM 528
- 15.6.3. Regresja logistyczna za pomocą modelu PGM 531
- 15.7. Koniec rozdziału 534
- 15.7.1. Podsumowanie 534
- 15.7.2. Uwagi 534
- 15.7.3. Ćwiczenia 535
Przedmowa 15
Wprowadzenie 17
O autorze 23
CZĘŚĆ I. PIERWSZE KROKI 25
Rozdział 1. Podyskutujmy o uczeniu się 27
Rozdział 2. Kontekst techniczny 45
Rozdział 3. Predykcja kategorii - początki klasyfikacji 81
Rozdział 4. Predykcja wartości numerycznych: początki regresji 111
CZĘŚĆ II. OCENA 131
Rozdział 5. Ocena i porównywanie metod uczenia się 133
Rozdział 6. Ocena klasyfikatorów 183
Rozdział 7. Ocena metod regresji 225
CZĘŚĆ III. JESZCZE O METODACH I PODSTAWACH 255
Rozdział 8. Inne metody klasyfikacji 257
Rozdział 9. Inne metody regresji 313
Rozdział 10. Ręczna inżynieria cech - manipulowanie danymi dla zabawy i dla zysku 337
Rozdział 11. Dopracowywanie hiperparametrów i potoki 375
CZĘŚĆ IV. ZWIĘKSZANIE ZŁOŻONOŚCI 399
Rozdział 12. Łączenie mechanizmów uczących się 401
Rozdział 13. Modele z automatyczną inżynierią cech 423
Rozdział 14. Inżynieria cech dla dziedzin - uczenie specyficzne dla dziedziny 481
Rozdział 15. Powiązania, rozwinięcia i kierunki dalszego rozwoju 507
Dodatek A. Kod z pliku mlwpy.py 537
Oceny i opinie klientów: Uczenie maszynowe w Pythonie dla każdego Mark Fenner (4) 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.
(1)
(0)
(1)
(1)
(0)
(1)
więcej opinii