Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
- Autor:
- Giuseppe Bonaccorso
- Wydawnictwo:
- Helion
- Ocena:
- 2.8/6 Opinie: 4
- Stron:
- 496
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis książki: Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
Imponujący rozwój standardowych algorytmów przy ciągłej obniżce cen sprzętu i udostępnianiu coraz to szybszych komponentów przyczynił się do zrewolucjonizowania wielu gałęzi przemysłu. Obecnie uczenie maszynowe pozwala automatyzować procesy, które do niedawna musiały być zarządzane przez człowieka. Zadania, które jeszcze dekadę temu stanowiły nieprzekraczalną przeszkodę, dziś są wykonywane przez zwykły komputer osobisty. W efekcie dzięki technologii oraz dostępnym wysokopoziomowym otwartym platformom każdy, kto zainteresuje się uczeniem maszynowym, może projektować i wdrażać niezwykle potężne modele.
Celem tej książki jest przybliżenie profesjonalistom tajników złożonych algorytmów uczenia maszynowego i zasad ich stosowania w praktyce. Poza praktycznymi informacjami dotyczącymi działania algorytmów i ich wdrożeń znalazły się tu również niezbędne podstawy teoretyczne. Opisano klasyczne modele uczenia nadzorowanego, nienadzorowanego i półnadzorowanego. Wskazano, w jakich sytuacjach okazują się one najbardziej przydatne. Zaprezentowano techniki wydobywania danych za pomocą modeli bayesowskich, algorytmu MCMC, a także dzięki stosowaniu ukrytych modeli Markowa. Omówiono zestaw przydatnych do uczenia maszynowego narzędzi, takich jak biblioteki: scikit-learn, Keras i TensorFlow.
Najciekawsze zagadnienia:
- najważniejsze koncepcje teoretyczne uczenia maszynowego
- modelowanie probabilistyczne i uczenie hebbowskie
- zaawansowane koncepcje modeli neuronowych
- modele generatywne, takie jak splotowe sieci GAN i sieci Wassersteina
- głębokie sieci przekonań
- zaawansowane algorytmy: TD(tylda), aktor-krytyk, SARSA i Q-uczenie
Uczenie maszynowe - już dziś zaimplementuj rozwiązania przyszłości!
Wybrane bestsellery
-
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...(0,00 zł najniższa cena z 30 dni)
31.36 zł
49.00 zł(-36%) -
O tym, ile problemów sprawia niedbale napisany kod, wie każdy programista. Nie wszyscy jednak wiedzą, jak napisać ten świetny, „czysty” kod i czym właściwie powinien się on charakteryzować. Co więcej – jak odróżnić dobry kod od złego? Odpowiedź na te pytania oraz sposoby tworzen...(0,00 zł najniższa cena z 30 dni)
48.19 zł
79.00 zł(-39%) -
Dzięki tej książce nauczysz się rozwiązywać ambitne problemy algorytmiczne i projektować własne algorytmy. Materiałem do ćwiczeń są tu przykłady zaczerpnięte z konkursów programistycznych o światowej renomie. Dowiesz się, jak klasyfikować problemy, czym się kierować podczas wybierania struktury d...
Myślenie algorytmiczne. Jak rozwiązywać problemy za pomocą algorytmów Myślenie algorytmiczne. Jak rozwiązywać problemy za pomocą algorytmów
(0,00 zł najniższa cena z 30 dni)56.07 zł
89.00 zł(-37%) -
Ta książka jest przewodnikiem dla każdego, kto musi przekazywać informacje, robiąc przy tym użytek z danych. Szczególnie wartościowa będzie dla analityków, studentów i naukowców, a także dla każdego, kto w swojej komunikacji odwołuje się do danych. Pokazano tu prostą i intuicyjną technikę przedst...
Storytelling danych. Poradnik wizualizacji danych dla profesjonalistów Storytelling danych. Poradnik wizualizacji danych dla profesjonalistów
(0,00 zł najniższa cena z 30 dni)46.97 zł
77.00 zł(-39%) -
Jeśli chcesz po prostu zrozumieć działanie algorytmów, a nie masz ochoty na mozolne przedzieranie się przez setki trudnych stron, to trzymasz w ręku właściwą książkę! Dzięki temu interesującemu, przystępnemu podręcznikowi szybko przyswoisz sobie najważniejsze pojęcia i łatwo zrozumiesz, w jaki sp...(0,00 zł najniższa cena z 30 dni)
40.87 zł
67.00 zł(-39%) -
W tej książce w sposób jasny i bardzo interesujący przedstawiono uniwersalne zasady architektury oprogramowania wraz z szeregiem wskazówek dotyczących stosowania tych reguł w praktyce. Wyczerpująco zaprezentowano tu dostępne rozwiązania i wyjaśniono, dlaczego są one tak istotne dla sukcesu przeds...
Czysta architektura. Struktura i design oprogramowania. Przewodnik dla profesjonalistów Czysta architektura. Struktura i design oprogramowania. Przewodnik dla profesjonalistów
(0,00 zł najniższa cena z 30 dni)54.29 zł
89.00 zł(-39%) -
Oto pierwszy tom dzieła, które stanowi inspirujące spojrzenie na sztuczną inteligencję. Jego zrozumienie nie wymaga wybitnej znajomości informatyki i matematyki. Książka jest wspaniałą syntezą wczesnych i późniejszych koncepcji, a także technik, przeprowadzoną we frameworku idei, metod i technolo...
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1 Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1
(0,00 zł najniższa cena z 30 dni)108.16 zł
169.00 zł(-36%) -
Naglący termin, niedoczas, permanentne opóźnienie - oto najwierniejsi towarzysze i zarazem najwięksi wrogowie kierownika projektu. Nawet certyfikowani project managerowie, ludzie z ogromną wiedzą i nie mniejszym doświadczeniem, raz po raz znajdują się w sytuacji, w której potrzeba naprawdę wielki...(0,00 zł najniższa cena z 30 dni)
36.58 zł
59.00 zł(-38%) -
Dave Thomas i Andy Hunt napisali pierwsze wydanie tej wpływowej książki w 1999 roku, aby pomóc swoim klientom tworzyć lepsze oprogramowanie i na nowo odnaleźć radość z kodowania. Nauki płynące z tamtego wydania pomogły wielu pokoleniom programistów zbadać istotę rozwoju oprogramowania, niezależni...
Pragmatyczny programista. Od czeladnika do mistrza. Wydanie II Pragmatyczny programista. Od czeladnika do mistrza. Wydanie II
(0,00 zł najniższa cena z 30 dni)47.74 zł
77.00 zł(-38%) -
To drugi tom klasycznego podręcznika wiedzy o sztucznej inteligencji. Podobnie jak w wypadku pierwszej części, lektura tej książki nie wymaga wybitnej znajomości tematu. Dzięki przejrzystości tekstu i umiejętnemu unikaniu nadmiernego formalizmu można w dość łatwy sposób zrozumieć kluczowe idee i ...
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 2 Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 2
(0,00 zł najniższa cena z 30 dni)82.56 zł
129.00 zł(-36%)
O autorze książki
1 Giuseppe BonaccorsoGiuseppe Bonaccorso od wielu lat prowadzi projekty dotyczące sztucznej inteligencji. W kręgu jego głównych zainteresowań znajdują się takie techniki jak uczenie maszynowe, uczenie głębokie, uczenie przez wzmacnianie, a także praca z wielkimi zbiorami danych, systemy adaptacyjne inspirowane układami biologicznymi, kryptowaluty i programowanie neurolingwistyczne.
Giuseppe Bonaccorso - pozostałe książki
-
A new second edition of the bestselling guide to exploring and mastering the most important algorithms for solving complex machine learning problems, updated to include Python 3.8 and TensorFlow 2.x as well as the latest in new algorithms and techniques.
Mastering Machine Learning Algorithms. Expert techniques for implementing popular machine learning algorithms, fine-tuning your models, and understanding how they work - Second Edition Mastering Machine Learning Algorithms. Expert techniques for implementing popular machine learning algorithms, fine-tuning your models, and understanding how they work - Second Edition
-
Unsupervised learning is a key required block in both machine learning and deep learning domains. You will explore how to make your models learn, grow, change, and develop by themselves whenever they are exposed to a new set of data. With this book, you will learn the art of unsupervised learning...
Hands-On Unsupervised Learning with Python. Implement machine learning and deep learning models using Scikit-Learn, TensorFlow, and more Hands-On Unsupervised Learning with Python. Implement machine learning and deep learning models using Scikit-Learn, TensorFlow, and more
-
This Learning Path is your complete guide to quickly getting to grips with popular machine learning algorithms. You'll be introduced to the most widely used algorithms in supervised, unsupervised, and semi-supervised machine learning, and learn how to use them in the best possible manner. Ranging...
Python: Advanced Guide to Artificial Intelligence. Expert machine learning systems and intelligent agents using Python Python: Advanced Guide to Artificial Intelligence. Expert machine learning systems and intelligent agents using Python
Giuseppe Bonaccorso, Armando Fandango, Rajalingappaa Shanmugamani
-
Machine learning explores the study and construction of algorithms that can learn from and make predictions on data. This book will act as an entry point for anyone who wants to make a career in Machine Learning. It covers algorithms like Linear regression, Logistic Regression, SVM, Naïve...
Machine Learning Algorithms. Popular algorithms for data science and machine learning - Second Edition Machine Learning Algorithms. Popular algorithms for data science and machine learning - Second Edition
-
This book is your guide to quickly get to grips with the most widely used machine learning algorithms. As a data science professional, this book will help you design and train better machine learning models to solve a variety of complex problems, and make the machine learn your requirements.
Mastering Machine Learning Algorithms. Expert techniques to implement popular machine learning algorithms and fine-tune your models Mastering Machine Learning Algorithms. Expert techniques to implement popular machine learning algorithms and fine-tune your models
-
Machine learning explores the study and construction of algorithms that can learn from, and make predictions on, data. This book will act as an entry point for anyone who wants to make a career in the field of Machine Learning. A few famous algorithms that are covered in this book are Linear regr...
Machine Learning Algorithms. A reference guide to popular algorithms for data science and machine learning Machine Learning Algorithms. A reference guide to popular algorithms for data science and machine learning
Ebooka 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 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 zobaczysz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP4 (pliki spakowane w ZIP)
Szczegóły książki
- Tytuł oryginału:
- Mastering Machine Learning Algorithms: Expert techniques to implement popular machine learning algorithms and fine-tune your models
- Tłumaczenie:
- Beata Pawlak, Krzysztof Sawka
- ISBN Książki drukowanej:
- 978-83-283-5245-2, 9788328352452
- Data wydania książki drukowanej:
- 2019-07-09
- ISBN Ebooka:
- 978-83-283-5246-9, 9788328352469
- Data wydania ebooka:
-
2019-07-09
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@helion.pl.
- Format:
- 168x237
- Numer z katalogu:
- 88149
- Rozmiar pliku Pdf:
- 13.4MB
- Rozmiar pliku ePub:
- 17.1MB
- Rozmiar pliku Mobi:
- 35.4MB
- Pobierz przykładowy rozdział PDF
- Przykłady na ftp
Ebook zawiera materiały dodatkowe, które możesz pobrać z serwera FTP - link znajdziesz na stronie redakcyjnej.
Spis treści książki
- Modele a dane 20
- Środkowanie i wybielanie 21
- Zbiory uczące i walidacyjne 24
- Cechy modelu uczenia maszynowego 29
- Pojemność modelu 29
- Obciążenie estymatora 32
- Wariancja estymatora 35
- Funkcje straty i kosztu 39
- Przykładowe funkcje kosztu 43
- Regularyzacja 45
- Podsumowanie 50
- Uczenie półnadzorowane 52
- Uczenie transdukcyjne 53
- Uczenie indukcyjne 53
- Założenia w uczeniu półnadzorowanym 53
- Generatywne mieszaniny gaussowskie 56
- Przykład generatywnej mieszaniny gaussowskiej 58
- Algorytm kontrastowy pesymistycznego szacowania wiarygodności 63
- Przykład zastosowania algorytmu CPLE 65
- Półnadzorowane maszyny wektorów nośnych (S3VM) 68
- Przykładowy algorytm maszyny S3VM 71
- Transdukcyjne maszyny wektorów nośnych 76
- Przykład maszyny TSVM 77
- Podsumowanie 82
- Propagacja etykiet 86
- Przykład zastosowania algorytmu propagacji etykiet 89
- Propagacja etykiet w bibliotece Scikit-Learn 91
- Rozprzestrzenianie etykiet 94
- Przykład zastosowania algorytmu rozprzestrzeniania etykiet 95
- Propagacja etykiet na bazie błądzenia losowego Markowa 97
- Przykład propagacji etykiet na podstawie błądzenia losowego Markowa 98
- Uczenie rozmaitościowe 101
- Algorytm Isomap 102
- Osadzanie lokalnie liniowe 106
- Osadzanie widmowe Laplace'a 109
- Algorytm t-SNE 111
- Podsumowanie 113
- Prawdopodobieństwa warunkowe i twierdzenie Bayesa 116
- Sieci bayesowskie 118
- Próbkowanie w sieci bayesowskiej 119
- Przykład próbkowania za pomocą biblioteki PyMC3 129
- Ukryte modele Markowa 133
- Algorytm wnioskowania ekstrapolacyjno-interpolacyjnego 134
- Algorytm Viterbiego 141
- Podsumowanie 144
- Uczenie metodami MLE i MAP 146
- Algorytm EM 148
- Przykład szacowania parametrów 151
- Mieszanina gaussowska 154
- Przykład implementacji algorytmu mieszanin gaussowskich w bibliotece Scikit-Learn 157
- Analiza czynnikowa (FA) 159
- Przykład zastosowania analizy czynnikowej w bibliotece Scikit-Learn 164
- Analiza głównych składowych (PCA) 167
- Przykład zastosowania analizy PCA w bibliotece Scikit-Learn 173
- Analiza składowych niezależnych (ICA) 175
- Przykładowa implementacja algorytmu FastICA w bibliotece Scikit-Learn 178
- Jeszcze słowo o ukrytych modelach Markowa 180
- Podsumowanie 181
- Reguła Hebba 184
- Analiza reguły kowariancji 188
- Stabilizacja wektora wag i reguła Oji 192
- Sieć Sangera 193
- Przykład zastosowania sieci Sangera 196
- Sieć Rubnera-Tavana 199
- Przykład zastosowania sieci Rubnera-Tavana 203
- Mapy samoorganizujące 205
- Przykład zastosowania mapy SOM 208
- Podsumowanie 211
- Algorytm k-najbliższych sąsiadów 213
- Drzewa KD 217
- Drzewa kuliste 218
- Przykład zastosowania algorytmu KNN w bibliotece Scikit-Learn 220
- Algorytm centroidów 223
- Algorytm k-means++ 225
- Przykład zastosowania algorytmu centroidów w bibliotece Scikit-Learn 227
- Algorytm rozmytych c-średnich 235
- Przykład zastosowania algorytmu rozmytych c-średnich w bibliotece Scikit-Fuzzy 239
- Klasteryzacja widmowa 242
- Przykład zastosowania klasteryzacji widmowej w bibliotece Scikit-Learn 246
- Podsumowanie 248
- Podstawy uczenia zespołów 249
- Lasy losowe 251
- Przykład zastosowania lasu losowego w bibliotece Scikit-Learn 257
- Algorytm AdaBoost 260
- AdaBoost.SAMME 264
- AdaBoost.SAMME.R 266
- AdaBoost.R2 268
- Przykład zastosowania algorytmu AdaBoost w bibliotece Scikit-Learn 271
- Wzmacnianie gradientowe 275
- Przykład wzmacniania gradientowego drzew w bibliotece Scikit-Learn 279
- Zespoły klasyfikatorów głosujących 282
- Przykład zastosowania klasyfikatorów głosujących 283
- Uczenie zespołowe jako technika doboru modeli 285
- Podsumowanie 286
- Podstawowy sztuczny neuron 288
- Perceptron 289
- Przykład zastosowania perceptronu w bibliotece Scikit-Learn 292
- Perceptrony wielowarstwowe 295
- Funkcje aktywacji 296
- Algorytm propagacji wstecznej 299
- Przykład zastosowania sieci MLP w bibliotece Keras 307
- Algorytmy optymalizacji 311
- Perturbacja gradientu 312
- Algorytmy momentum i Nesterova 312
- RMSProp 313
- Adam 315
- AdaGrad 316
- AdaDelta 317
- Regularyzacja i porzucanie 318
- Porzucanie 320
- Normalizacja wsadowa 326
- Przykład zastosowania normalizacji wsadowej w bibliotece Keras 328
- Podsumowanie 330
- Głębokie sieci splotowe 334
- Operacje splotu 335
- Warstwy łączące 344
- Inne przydatne warstwy 347
- Przykłady stosowania głębokich sieci splotowych w bibliotece Keras 348
- Sieci rekurencyjne 356
- Algorytm propagacji wstecznej w czasie (BPTT) 357
- Jednostki LSTM 360
- Jednostki GRU 365
- Przykład zastosowania sieci LSTM w bibliotece Keras 367
- Uczenie transferowe 371
- Podsumowanie 373
- Autokodery 375
- Przykład głębokiego autokodera splotowego w bibliotece TensorFlow 377
- Autokodery odszumiające 381
- Autokodery rzadkie 384
- Autokodery wariacyjne 386
- Przykład stosowania autokodera wariacyjnego w bibliotece TensorFlow 389
- Podsumowanie 391
- Uczenie przeciwstawne 393
- Przykład zastosowania sieci DCGAN w bibliotece TensorFlow 397
- Sieć Wassersteina (WGAN) 403
- Przykład zastosowania sieci WGAN w bibliotece TensorFlow 405
- Podsumowanie 408
- Losowe pola Markowa 410
- Ograniczone maszyny Boltzmanna 411
- Sieci DBN 415
- Przykład stosowania nienadzorowanej sieci DBN w środowisku Python 417
- Przykład stosowania nadzorowanej sieci DBN w środowisku Python 420
- Podsumowanie 422
- Podstawowe terminy w uczeniu przez wzmacnianie 423
- Środowisko 425
- Polityka 429
- Iteracja polityki 430
- Iteracja polityki w środowisku szachownicy 434
- Iteracja wartości 438
- Iteracja wartości w środowisku szachownicy 439
- Algorytm TD(0) 442
- Algorytm TD(0) w środowisku szachownicy 445
- Podsumowanie 448
- Algorytm TD(λ) 452
- Algorytm TD(λ) w bardziej skomplikowanym środowisku szachownicy 456
- Algorytm aktor-krytyk TD(0) w środowisku szachownicy 462
- Algorytm SARSA 467
- Algorytm SARSA w środowisku szachownicy 469
- Q-uczenie 472
- Algorytm Q-uczenia w środowisku szachownicy 473
- Algorytm Q-uczenia za pomocą sieci neuronowej 475
- Podsumowanie 482
O autorze 11
O recenzencie 12
Przedmowa 13
Rozdział 1. Podstawy modelu uczenia maszynowego 19
Rozdział 2. Wprowadzenie do uczenia półnadzorowanego 51
Rozdział 3. Uczenie półnadzorowane bazujące na grafach 85
Rozdział 4. Sieci bayesowskie i ukryte modele Markowa 115
Rozdział 5. Algorytm EM i jego zastosowania 145
Rozdział 6. Uczenie hebbowskie i mapy samoorganizujące 183
Rozdział 7. Algorytmy klasteryzacji 213
Rozdział 8. Uczenie zespołowe 249
Rozdział 9. Sieci neuronowe w uczeniu maszynowym 287
Rozdział 10. Zaawansowane modele neuronowe 333
Rozdział 11. Autokodery 375
Rozdział 12. Generatywne sieci przeciwstawne 393
Rozdział 13. Głębokie sieci przekonań 409
Rozdział 14. Wstęp do uczenia przez wzmacnianie 423
Rozdział 15. Zaawansowane algorytmy szacowania polityki 451
Skorowidz 485
Oceny i opinie klientów: Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji Giuseppe Bonaccorso (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.
(0)
(1)
(0)
(0)
(3)
(0)
Karol Wilczek,
Data dodania: 2019-11-22 Ocena: 5 Opinia niepotwierdzona zakupem
Data dodania: 2022-07-10 Ocena: 2 Opinia niepotwierdzona zakupem
Data dodania: 2020-04-15 Ocena: 2 Opinia potwierdzona zakupem
Data dodania: 2019-11-17 Ocena: 2 Opinia niepotwierdzona zakupem
więcej opinii