Praktyczne uczenie maszynowe

Spis treści książki

• Okładka
• Strona tytułowa
• Strona redakcyjna
• Od autora
• Spis treści
• Sztuczna inteligencja
• O książce
  • Dla kogo jest ta książka?
  • Narzędzia
  • Przykłady
  • Bibliografia
  • Konwencje i oznaczenia
• 1. Narzędzia
  • 1.1. Język Python
  • 1.2. Język R
    • 1.2.1. Microsoft R Open (MRO)
    • 1.2.2. Microsoft R Client (MRC)
    • 1.2.3. Microsoft Machine Learning Server (MLS)
  • 1.3. SQL Server 2019
    • 1.3.1. Instalacja
    • 1.3.2. Microsoft SQL Server Machine Learning Services
    • 1.3.3. Bezpieczeństwo
    • 1.3.4. Wydajność
  • 1.4. PyCharm Community Edition
  • 1.5. RStudio Desktop
  • 1.6. Instalacja dodatkowych pakietów
  • 1.7. Power BI Desktop
• 2. Praca z SQL Server Machine Learning Services
  • 2.1. Wykrywanie oszustw
  • 2.2. Klasyfikacja przejazdów
  • 2.3. Dodatkowe funkcjonalności serwera SQL Server i usługi SQL Machine Learning Services
    • 2.3.1. Zapytania predykcyjne czasu rzeczywistego
    • 2.3.2. Natywne zapytania predykcyjne
    • 2.3.3. Tworzenie modeli dla partycji danych
• 3. Wstęp do uczenia maszynowego
  • 3.1. Rodzaje uczenia maszynowego
  • 3.2. Proces uczenia
  • 3.3. Modele regresji
  • 3.4. Modele partycjonujące
  • 3.5. Metodyka CRISP-DM
  • 3.6. Metodyka TDSP
• 4. Zrozumienie danych
  • 4.1. Poznanie danych wymaga zrozumienia postawionego problemu
  • 4.2. Statystyki opisowe
    • 4.2.1. Zmienne numeryczne
    • 4.2.2. Zmienne kategoryczne
  • 4.3. Brakujące dane
  • 4.4. Entropia
  • 4.5. Ocena zmiennych za pomocą programu Power BI
  • 4.6. Ocena zmiennych przy użyciu języka SQL
    • 4.6.1. Automatyczny opis zmiennych
  • 4.7. Wizualizacja zmiennych
  • 4.8. Reprezentatywność danych
  • 4.9. Korelacje między zmiennymi
    • 4.9.1. Klątwa wymiarowości
    • 4.9.2. Ocena przydatności zmiennych
    • 4.9.3. Dwie zmienne numeryczne
    • 4.9.4. Dwie zmienne kategoryczne
    • 4.9.5. Dwie zmienne porządkowe
    • 4.9.6. Zmienna kategoryczna i numeryczna
    • 4.9.7. Korelacja oznacza współwystępowanie, a nie związek przyczynowo-skutkowy
  • 4.10. Ocena korelacji za pomocą programu Power BI
  • 4.11. Ocena korelacji przy użyciu języka SQL
• 5. Przygotowanie danych
  • 5.1. Uporządkowanie danych
  • 5.2. Wzbogacanie danych
    • 5.2.1. Data i czas
  • 5.3. Wyczyszczenie danych
    • 5.3.1. Usuwanie brakujących wartości
    • 5.3.2. Usuwanie duplikatów
    • 5.3.3. Usuwanie błędnych danych
    • 5.3.4. Usuwanie wartości odstających
  • 5.4. Przekształcenie danych
    • 5.4.1. Kodowanie
    • 5.4.2. Generalizacja
    • 5.4.3. Zaokrąglanie
    • 5.4.4. Dyskretyzacja
    • 5.4.5. Skalowanie
    • 5.4.6. Wygładzanie
  • 5.5. Redukcja danych
    • 5.5.1. Selekcja zmiennych
    • 5.5.2. Analiza składowych głównych
    • 5.5.3. Wybór zmiennych przydatnych dla modelu
  • 5.6. Podział danych
    • 5.6.1. Podział warstwowy
    • 5.6.2. Równoważenie danych
    • 5.6.3. k-krotna walidacja krzyżowa
  • 5.7. Danych walidacyjnych używa się do optymalizacji, a nie do oceny modeli
  • 5.8. Kto miał szansę przeżyć katastrofę Titanica?
• 6. Analiza skupień
  • 6.1. Grupowanie w celu zmniejszenia liczby przykładów
  • 6.2. Algorytmy iteracyjno-optymalizacyjne
  • 6.3. Segmentacja
• 7. Regresja
  • 7.1. Zrozumienie problemu
  • 7.2. Zrozumienie danych
  • 7.3. Opisanie danych
  • 7.4. Ocena przydatności danych
  • 7.5. Wzbogacenie danych
  • 7.6. Ocena zmiennych
  • 7.7. Przekształcenie i wybór danych
  • 7.8. Modelowanie
    • 7.8.1. Uczenie na błędach
    • 7.8.2. Regresja liniowa
    • 7.8.3. Ogólny model liniowy GLM
    • 7.8.4. Sztuczne sieci neuronowe
    • 7.8.5. Drzewa regresyjne
    • 7.8.6. Kombinacje modeli
  • 7.9. Porównanie modeli
  • 7.10. Wdrożenie modeli po stronie serwera SQL
• 8. Klasyfikacja
  • 8.1. Klasyfikacja binarna
    • 8.1.1. Przygotowanie danych
    • 8.1.2. Regresja logistyczna
    • 8.1.3. Sztuczne sieci neuronowe
    • 8.1.4. Klasyfikacja przez indukcję drzew decyzyjnych
    • 8.1.5. Kombinacje modeli
    • 8.1.6. Porównanie modeli
    • 8.1.7. Wdrożenie modeli po stronie serwera SQL
  • 8.2. Klasyfikacja wieloklasowa
    • 8.2.1. Przygotowanie danych
    • 8.2.2. Regresja logistyczna
    • 8.2.3. Sztuczne sieci neuronowe
    • 8.2.4. Klasyfikacja przez indukcję drzew decyzyjnych
    • 8.2.5. Porównanie modeli
    • 8.2.6. Wdrożenie modeli po stronie serwera SQL
• 9. Ocena modeli
  • 9.1. Nie ma darmowego lunchu
  • 9.2. Błędy modeli predykcyjnych
    • 9.2.1. Błąd systematyczny i błąd aproksymacji
  • 9.3. Kryteria oceny modeli regresji
    • 9.3.1. Średni błąd bezwzględny
    • 9.3.2. Pierwiastek błędu średniokwadratowego
    • 9.3.3. Znormalizowany błąd bezwzględny
    • 9.3.4. Znormalizowany błąd kwadratowy
    • 9.3.5. Współczynnik determinacji R2
    • 9.3.6. Ocena modelu prognozującego pozostały czas bezawaryjnej pracy urządzeń
  • 9.4. Kryteria oceny modeli klasyfikacji binarnej
    • 9.4.1. Macierz błędów
    • 9.4.2. Trafność
    • 9.4.3. Precyzja
    • 9.4.4. Czułość
    • 9.4.5. F-miara
    • 9.4.6. Współczynnik Kappa Cohena
    • 9.4.7. Krzywa ROC i obszar pod krzywą
    • 9.4.8. Ocena modelu klasyfikującego urządzenia jako wymagające lub niewymagające przeglądu
  • 9.5. Kryteria oceny modeli klasyfikacji wieloklasowej
    • 9.5.1. Macierz błędów
    • 9.5.2. Metryki klasy większościowej
    • 9.5.3. Metryki poszczególnych klas
    • 9.5.4. Średnie makro
    • 9.5.5. Średnie mikro
  • 9.6. Ocena modelu klasyfikującego urządzenia do przeglądu
  • 9.7. Interpretacja predykcji
• 10. Optymalizacja i wdrożenie modeli
  • 10.1. Zrozumienie problemu
  • 10.2. Zrozumienie i przygotowanie danych
    • 10.2.1. Import danych
    • 10.2.2. Ocena danych
  • 10.3. Modelowanie
  • 10.4. Optymalizacja
  • 10.5. Wdrożenie
    • 10.5.1. Analiza typu Co by było, gdyby?
• Posłowie
• Bibliografia
• Przypisy

pokaż cały spis treści

ukryj recenzje