ODBIERZ TWÓJ BONUS :: »

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II Kyle Gallatin, Chris Albon

Autorzy:
Kyle Gallatin, Chris Albon
Serie wydawnicze:
Receptury
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
5.3/6  Opinie: 3
Stron:
398
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi
Czytaj fragment
Książka
89,00 zł
Powiadom mnie, gdy książka będzie dostępna

Ebook
44,50 zł 89,00 zł (-50%)
44,50 zł najniższa cena z 30 dni

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Powiadom o dostępności audiobooka »

Czego się nauczysz?

  • Tworzenia i przetwarzania wektorów, macierzy oraz tablic NumPy
  • Wczytywania i przygotowywania danych z różnych źródeł i formatów (CSV, Excel, JSON, bazy danych, S3)
  • Przetwarzania i czyszczenia danych, w tym obsługi brakujących i powielonych wartości
  • Skalowania, standaryzowania i transformowania cech liczbowych
  • Kodowania danych kategorycznych oraz obsługi niezrównoważonych klas
  • Przetwarzania tekstu: tokenizacji, stemmingu, analizy sentymentu i ekstrakcji cech tekstowych
  • Obsługi danych daty i godziny, w tym konwersji, agregacji i tworzenia cech czasowych
  • Przetwarzania i analizy obrazów: wczytywania, modyfikacji, ekstrakcji cech oraz klasyfikacji
  • Redukcji wymiarowości danych za pomocą wyodrębniania i wyboru cech
  • Oceny i wizualizacji wydajności modeli uczenia maszynowego
  • Wybierania i optymalizacji modeli z użyciem wyszukiwania siatki, losowego i automatyzacji
  • Budowania modeli regresji liniowej i logistycznej oraz ich regularyzacji
  • Trenowania i interpretacji drzew decyzyjnych, losowych lasów oraz modeli boostingowych
  • Implementacji algorytmu k najbliższych sąsiadów oraz maszyn wektorów nośnych
  • Klasteryzacji danych z użyciem k-średnich, DBSCAN, meanshift i hierarchicznego łączenia
  • Projektowania, trenowania i dostrajania sieci neuronowych w PyTorch dla danych ustrukturyzowanych i nieustrukturyzowanych
  • Zapisywania, wczytywania i udostępniania wytrenowanych modeli w scikit-learn, TensorFlow i PyTorch

W ciągu ostatnich lat techniki uczenia maszynowego rozwijały się z niezwykłą dynamiką, rewolucjonizując pracę w różnych branżach. Obecnie do uczenia maszynowego najczęściej używa się Pythona i jego bibliotek. Znajomość najnowszych wydań tych narzędzi umożliwia efektywne tworzenie wyrafinowanych systemów uczących się.

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 zbioru danych. W książce znajdziesz receptury przydatne do rozwiązywania szerokiego spektrum problemów, od przygotowania i wczytania danych aż po trenowanie modeli i korzystanie z sieci neuronowych. W ten sposób wyjdziesz poza rozważania teoretyczne czy też matematyczne koncepcje i zaczniesz tworzyć aplikacje korzystające z uczenia maszynowego.

Poznaj receptury dotyczące:

  • pracy z danymi w wielu formatach, z bazami i magazynami danych
  • redukcji wymiarowości, jak również oceny i wyboru modelu
  • regresji liniowej i logistycznej, drzew i lasów, a także k-najbliższych sąsiadów
  • maszyn wektorów nośnych (SVM), naiwnej klasyfikacji bayesowskiej i klasteryzacji
  • udostępniania wytrenowanych modeli za pomocą wielu frameworków

Długo szukałam książki, która spójnie przedstawiałaby algorytm ANN, hiperpłaszczyzny i wybór cech za pomocą losowego lasu. I wtedy pojawiła się ta pozycja!

Vicki Boykis, inżynier uczenia maszynowego w Duo

Wiosna w głowie, ebook w dłoni! / do -50% na tysiące tytułów

Wybrane bestsellery

O autorach książki

Kyle Gallatin jest inżynierem oprogramowania na platformie uczenia maszynowego w Etsy. Przez wiele lat pracował jako analityk danych, naukowiec i inżynier uczenia maszynowego.

Dr Chris Albon jest analitykiem danych i politologiem. Od ponad dziesięciu lat stosuje statystykę, sztuczną inteligencję i inne zdobycze informatyki w polityce, socjologii i przy zarządzaniu akcjami humanitarnymi. Obecnie pracuje dla Devoted Health — wykorzystuje naukę o danych i maszynowe uczenie w celu rozwiązania problemów amerykańskiego systemu ochrony zdrowia. Wcześniej był głównym analitykiem danych w kenijskim startupie BRCK .

Zobacz pozostałe książki z serii Receptury

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy książka zawiera praktyczne przykłady kodu w Pythonie do uczenia maszynowego?
Tak, książka oferuje ponad 200 gotowych receptur z kodem w Pythonie, które można łatwo skopiować, dostosować i wykorzystać w swoich projektach.
2. Jakie biblioteki Pythona są wykorzystywane w książce?
W książce znajdziesz przykłady z użyciem najnowszych wersji popularnych bibliotek, takich jak scikit-learn, TensorFlow, PyTorch, NumPy, pandas oraz narzędzi do obsługi danych i modeli.
3. Czy książka nadaje się do nauki samodzielnej, jeśli nie mam dużego doświadczenia w uczeniu maszynowym?
Tak, książka jest napisana w formie przystępnych receptur krok po kroku, dzięki czemu osoby uczące się samodzielnie mogą łatwo zrozumieć i zastosować przedstawione techniki.
4. Czy znajdę w książce przykłady dotyczące przetwarzania różnych typów danych, np. tekstu, obrazów czy danych tabelarycznych?
Tak, książka obejmuje szeroki zakres tematów, w tym przetwarzanie danych liczbowych, tekstowych, obrazów, dat oraz przygotowanie danych do modeli uczenia maszynowego.
5. Czy książka omawia zarówno klasyczne algorytmy, jak i nowoczesne metody deep learningu?
Tak, publikacja zawiera receptury dotyczące klasycznych algorytmów (regresja, drzewa, SVM, kNN, klasteryzacja) oraz zagadnienia związane z sieciami neuronowymi i deep learningiem.
6. Czy książka może być przydatna jako podręcznik podczas pracy nad własnymi projektami lub w pracy zawodowej?
Tak, dzięki praktycznemu podejściu i licznym przykładom, książka świetnie sprawdzi się jako podręczny przewodnik podczas realizacji projektów związanych z uczeniem maszynowym.
7. Czy do korzystania z książki potrzebuję specjalistycznego oprogramowania lub danych?
W większości przypadków wystarczy Python oraz popularne biblioteki open source. Książka zawiera także przykłady wykorzystujące ogólnodostępne zbiory danych oraz wskazówki, jak przygotować własne dane.
8. Czy książka obejmuje zagadnienia związane z udostępnianiem i wdrażaniem wytrenowanych modeli?
Tak, w książce znajdziesz rozdział poświęcony zapisywaniu, wczytywaniu i udostępnianiu modeli uczenia maszynowego przy użyciu różnych frameworków.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki

Zamknij

Wybierz metodę płatności

Książka
89,00 zł
Czasowo niedostępna
Ebook
44,50 zł
Dodaj do koszyka
Płatności obsługuje:
Ikona płatności Alior Bank Ikona płatności Apple Pay Ikona płatności Bank PEKAO S.A. Ikona płatności Bank Pocztowy Ikona płatności Banki Spółdzielcze Ikona płatności BLIK Ikona płatności Crédit Agricole e-przelew Ikona płatności Google Pay Ikona płatności ING Bank Śląski Ikona płatności mBank Ikona płatności Millennium Ikona płatności Nest Bank Ikona płatności Paypal Ikona płatności PayPo | PayU Płacę później Ikona płatności PayU Płacę później Ikona płatności Plus Bank Ikona płatności Płacę z Citi Handlowy Ikona płatności Płać z BOŚ Ikona płatności Płatność online kartą płatniczą Ikona płatności Santander Ikona płatności Visa Mobile