The Supervised Learning Workshop - Second Edition



- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 532
- Dostępne formaty:
-
PDFePubMobi
Opis książki: The Supervised Learning Workshop - Second Edition
Would you like to understand how and why machine learning techniques and data analytics are spearheading enterprises globally? From analyzing bioinformatics to predicting climate change, machine learning plays an increasingly pivotal role in our society.
Although the real-world applications may seem complex, this book simplifies supervised learning for beginners with a step-by-step interactive approach. Working with real-time datasets, you'll learn how supervised learning, when used with Python, can produce efficient predictive models.
Starting with the fundamentals of supervised learning, you'll quickly move to understand how to automate manual tasks and the process of assessing date using Jupyter and Python libraries like pandas. Next, you'll use data exploration and visualization techniques to develop powerful supervised learning models, before understanding how to distinguish variables and represent their relationships using scatter plots, heatmaps, and box plots. After using regression and classification models on real-time datasets to predict future outcomes, you'll grasp advanced ensemble techniques such as boosting and random forests. Finally, you'll learn the importance of model evaluation in supervised learning and study metrics to evaluate regression and classification tasks.
By the end of this book, you'll have the skills you need to work on your real-life supervised learning Python projects.
Wybrane bestsellery
-
To książka przeznaczona dla specjalistów, którzy chcą poszerzyć wiedzę na temat cyberbezpieczeństwa. Opisano tu aktualne koncepcje związane z podatnościami i zagrożeniami bezpieczeństwa, w tym model dojrzałości cybernetycznej. Zaprezentowano narzędzia takie jak Wireshark, DVWA, Burp Suite, OpenVA...
Cyberbezpieczeństwo dla zaawansowanych. Skuteczne zabezpieczenia systemu Windows, Linux, IoT i infrastruktury w chmurze Cyberbezpieczeństwo dla zaawansowanych. Skuteczne zabezpieczenia systemu Windows, Linux, IoT i infrastruktury w chmurze
(0,00 zł najniższa cena z 30 dni)65.40 zł
109.00 zł(-40%) -
To drugie, zaktualizowane i poprawione wydanie bestsellerowego podręcznika Programowania w Pythonie pozwoli Ci błyskawicznie zacząć tworzyć kod, który działa! Zaczniesz od zrozumienia podstawowych koncepcji programistycznych, następnie nauczysz się zapewniać programom interaktywność i wykształcis...(0,00 zł najniższa cena z 30 dni)
64.35 zł
99.00 zł(-35%) -
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...
Jak projektować systemy uczenia maszynowego. Iteracyjne tworzenie aplikacji gotowych do pracy Jak projektować systemy uczenia maszynowego. Iteracyjne tworzenie aplikacji gotowych do pracy
(0,00 zł najniższa cena z 30 dni)62.30 zł
89.00 zł(-30%) -
Metody statystyczne są kluczowym elementem data science, mimo to niewielu specjalistów data science posiada formalne wykształcenie statystyczne. Kursy i podręczniki o podstawach statystyki, rzadko kiedy omawiają temat z perspektywy data science. W drugim wydaniu tego popularnego podręcznika zosta...
Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II
(0,00 zł najniższa cena z 30 dni)44.85 zł
69.00 zł(-35%) -
To kompleksowy podręcznik do nauki programowania w Pythonie. Jego piąte wydanie zostało gruntownie zaktualizowane i rozbudowane o dodatkowe treści. Omówiono tu najnowsze wersje Pythona w liniach 3.X i 2.X, czyli 3.3 i 2.7, i dodano opisy nowych lub rozszerzonych mechanizmów, takich jak obsługa fo...(0,00 zł najniższa cena z 30 dni)
129.35 zł
199.00 zł(-35%) -
Mało kto lubi matematykę, zwłaszcza algebrę czy analizę matematyczną. Wydaje się trudna i niezrozumiała. Bardzo łatwo popełnić błędy podczas rozwiązywania równań różniczkowych czy całek. Jeśli jednak powierzysz najtrudniejszą i najżmudniejszą część obliczeń komputerowi, szybko się przekonasz, że ...
Matematyka w Pythonie. Algebra, statystyka, analiza matematyczna i inne dziedziny Matematyka w Pythonie. Algebra, statystyka, analiza matematyczna i inne dziedziny
(0,00 zł najniższa cena z 30 dni)44.85 zł
69.00 zł(-35%) -
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)101.40 zł
169.00 zł(-40%) -
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)77.40 zł
129.00 zł(-40%) -
Oto praktyczny przewodnik po wersji 3.0 systemu Spark, metodach statystycznych i rzeczywistych zbiorach danych. Omówiono w nim zasady rozwiązywania problemów analitycznych za pomocą interfejsu PySpark, z wykorzystaniem dobrych praktyk programowania w systemie Spark. Po lekturze można bezproblemow...
Zaawansowana analiza danych w PySpark. Metody przetwarzania informacji na szeroką skalę z wykorzystaniem Pythona i systemu Spark Zaawansowana analiza danych w PySpark. Metody przetwarzania informacji na szeroką skalę z wykorzystaniem Pythona i systemu Spark
Akash Tandon, Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills
(0,00 zł najniższa cena z 30 dni)48.30 zł
69.00 zł(-30%) -
Uczenie maszynowe (ML) i sztuczna inteligencja (AI). Obok komputerów kwantowych to dwa główne, gorące tematy we współczesnej informatyce. Oba nieco tajemnicze, futurystyczne i przede wszystkim wymagające posiadania dość sporej wiedzy i umiejętności matematycznych. Stąd podręczniki akademickie poś...
Uczenie maszynowe. Elementy matematyki w analizie danych Uczenie maszynowe. Elementy matematyki w analizie danych
(0,00 zł najniższa cena z 30 dni)27.93 zł
39.90 zł(-30%)
O autorze książki
1 Blaine Bateman, Ashish Ranjan Jha, Benjamin Johnston, Ishita MathurBenjamin Johnston zajmuje się zaawansowaną analizą danych w branży medycznej. Interesuje się uczeniem maszynowym, przetwarzaniem obrazów i sieciami neuronowymi.
Blaine Bateman, Ashish Ranjan Jha, Benjamin Johnston, Ishita Mathur - pozostałe książki
-
Ta książka jest znakomitym przewodnikiem dla początkującego analityka danych. Dzięki niej dowiesz się, jak skutecznie przesiewać i uzyskiwać informacje z surowych danych. Nauczysz się formułować hipotezy i generować opisowe statystyki, a także pisać złożone zapytania SQL, które pozwalają na zagre...
SQL. Analiza danych za pomocą zapytań. Warsztaty praktyczne. Wydanie II SQL. Analiza danych za pomocą zapytań. Warsztaty praktyczne. Wydanie II
(53.40 zł najniższa cena z 30 dni)57.85 zł
89.00 zł(-35%) -
Master advanced techniques and algorithms for deep learning with PyTorch using real-world examples
-
Learning how to apply unsupervised algorithms on unlabeled datasets from scratch can be easier than you thought with this beginner's workshop, featuring interesting examples and activities
-
Take a step-by-step approach to learning SQL data analysis in this interactive workshop that uses fun exercises and activities to make learning data analytics for beginners easy and approachable.
The Applied SQL Data Analytics Workshop - Second Edition The Applied SQL Data Analytics Workshop - Second Edition
-
Take your first steps to become a fully qualified data analyst by learning how to explore large relational datasets
-
Design clever algorithms that can uncover interesting structures and hidden relationships in unstructured, unlabeled data Key Features Learn how to select the most suitable Python library to solve your problem Compare k-Nearest Neighbor (k-NN) and non-parametric methods and decide when to use ...
-
Explore the exciting world of machine learning with the fastest growing technology in the world Key Features Understand various machine learning concepts with real-world examples Implement a supervised machine learning pipeline from data ingestion to validation Gain insights into how you can us...
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 dowolonych 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 dowolonych urządzeniach i aplikacjach obsługujących format MP4 (pliki spakowane w ZIP)
Szczegóły książki
- Tytuł oryginału:
- The Supervised Learning Workshop - Second Edition
- ISBN Ebooka:
- 978-18-002-0832-2, 9781800208322
- Data wydania ebooka:
-
2020-02-28
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.
- Język publikacji:
- angielski
- Rozmiar pliku Pdf:
- 19.1MB
- Rozmiar pliku ePub:
- 32.3MB
- Rozmiar pliku Mobi:
- 32.3MB
Spis treści książki
- The Supervised Learning Workshop
- Second Edition
- Preface
- About the Book
- Audience
- About the Chapters
- Conventions
- Code Presentation
- Setting up Your Environment
- Installation and Setup
- Installing Anaconda on Windows
- Installing Anaconda on macOS
- Installing Anaconda on Linux
- Installing Libraries
- Accessing the Code Files
- About the Book
- 1. Fundamentals
- Introduction
- When to Use Supervised Learning
- Python Packages and Modules
- Loading Data in Pandas
- Exercise 1.01: Loading and Summarizing the Titanic Dataset
- Exercise 1.02: Indexing and Selecting Data
- Exercise 1.03: Advanced Indexing and Selection
- Pandas Methods
- Exercise 1.04: Using the Aggregate Method
- Quantiles
- Lambda Functions
- Exercise 1.05: Creating Lambda Functions
- Introduction
- Data Quality Considerations
- Managing Missing Data
- Class Imbalance
- Low Sample Size
- Activity 1.01: Implementing Pandas Functions
- Summary
- 2. Exploratory Data Analysis and Visualization
- Introduction
- Exploratory Data Analysis (EDA)
- Summary Statistics and Central Values
- Exercise 2.01: Summarizing the Statistics of Our Dataset
- Missing Values
- Finding Missing Values
- Exercise 2.02: Visualizing Missing Values
- Imputation Strategies for Missing Values
- Exercise 2.03: Performing Imputation Using Pandas
- Exercise 2.04: Performing Imputation Using Scikit-Learn
- Exercise 2.05: Performing Imputation Using Inferred Values
- Activity 2.01: Summary Statistics and Missing Values
- Distribution of Values
- Target Variable
- Exercise 2.06: Plotting a Bar Chart
- Categorical Data
- Exercise 2.07: Identifying Data Types for Categorical Variables
- Exercise 2.08: Calculating Category Value Counts
- Exercise 2.09: Plotting a Pie Chart
- Continuous Data
- Skewness
- Kurtosis
- Exercise 2.10: Plotting a Histogram
- Exercise 2.11: Computing Skew and Kurtosis
- Activity 2.02: Representing the Distribution of Values Visually
- Relationships within the Data
- Relationship between Two Continuous Variables
- Pearsons Coefficient of Correlation
- Relationship between Two Continuous Variables
- Exercise 2.12: Plotting a Scatter Plot
- Exercise 2.13: Plotting a Correlation Heatmap
- Using Pairplots
- Exercise 2.14: Implementing a Pairplot
- Relationship between a Continuous and a Categorical Variable
- Exercise 2.15: Plotting a Bar Chart
- Exercise 2.16: Visualizing a Box Plot
- Relationship Between Two Categorical Variables
- Exercise 2.17: Plotting a Stacked Bar Chart
- Activity 2.03: Relationships within the Data
- Summary
- 3. Linear Regression
- Introduction
- Regression and Classification Problems
- The Machine Learning Workflow
- Business Understanding
- Data Understanding
- Data Preparation
- Modeling
- Evaluation
- Deployment
- The Machine Learning Workflow
- Exercise 3.01: Plotting Data with a Moving Average
- Activity 3.01: Plotting Data with a Moving Average
- Linear Regression
- Least Squares Method
- The Scikit-Learn Model API
- Exercise 3.02: Fitting a Linear Model Using the Least Squares Method
- Activity 3.02: Linear Regression Using the Least Squares Method
- Linear Regression with Categorical Variables
- Exercise 3.03: Introducing Dummy Variables
- Activity 3.03: Dummy Variables
- Polynomial Models with Linear Regression
- Exercise 3.04: Polynomial Models with Linear Regression
- Activity 3.04: Feature Engineering with Linear Regression
- Generic Model Training
- Gradient Descent
- Exercise 3.05: Linear Regression with Gradient Descent
- Exercise 3.06: Optimizing Gradient Descent
- Activity 3.05: Gradient Descent
- Multiple Linear Regression
- Exercise 3.07: Multiple Linear Regression
- Summary
- 4. Autoregression
- Introduction
- Autoregression Models
- Exercise 4.01: Creating an Autoregression Model
- Activity 4.01: Autoregression Model Based on Periodic Data
- Summary
- 5. Classification Techniques
- Introduction
- Ordinary Least Squares as a Classifier
- Exercise 5.01: Ordinary Least Squares as a Classifier
- Logistic Regression
- Exercise 5.02: Logistic Regression as a Classifier Binary Classifier
- Exercise 5.03: Logistic Regression Multiclass Classifier
- Activity 5.01: Ordinary Least Squares Classifier Binary Classifier
- Select K Best Feature Selection
- Exercise 5.04: Breast Cancer Diagnosis Classification Using Logistic Regression
- Classification Using K-Nearest Neighbors
- Exercise 5.05: KNN Classification
- Exercise 5.06: Visualizing KNN Boundaries
- Activity 5.02: KNN Multiclass Classifier
- Classification Using Decision Trees
- Exercise 5.07: ID3 Classification
- Classification and Regression Tree
- Exercise 5.07: ID3 Classification
- Exercise 5.08: Breast Cancer Diagnosis Classification Using a CART Decision Tree
- Activity 5.03: Binary Classification Using a CART Decision Tree
- Artificial Neural Networks
- Exercise 5.09: Neural Networks Multiclass Classifier
- Activity 5.04: Breast Cancer Diagnosis Classification Using Artificial Neural Networks
- Summary
- 6. Ensemble Modeling
- Introduction
- One-Hot Encoding
- Exercise 6.01: Importing Modules and Preparing the Dataset
- Overfitting and Underfitting
- Underfitting
- Overfitting
- Overcoming the Problem of Underfitting and Overfitting
- Bagging
- Bootstrapping
- Exercise 6.02: Using the Bagging Classifier
- Random Forest
- Exercise 6.03: Building the Ensemble Model Using Random Forest
- Boosting
- Adaptive Boosting
- Exercise 6.04: Implementing Adaptive Boosting
- Gradient Boosting
- Exercise 6.05: Implementing GradientBoostingClassifier to Build an Ensemble Model
- Stacking
- Exercise 6.06: Building a Stacked Model
- Activity 6.01: Stacking with Standalone and Ensemble Algorithms
- Summary
- 7. Model Evaluation
- Introduction
- Importing the Modules and Preparing Our Dataset
- Evaluation Metrics
- Regression Metrics
- Exercise 7.01: Calculating Regression Metrics
- Classification Metrics
- Numerical Metrics
- Curve Plots
- Exercise 7.02: Calculating Classification Metrics
- Splitting a Dataset
- Hold-Out Data
- K-Fold Cross-Validation
- Sampling
- Exercise 7.03: Performing K-Fold Cross-Validation with Stratified Sampling
- Performance Improvement Tactics
- Variation in Train and Test Errors
- Learning Curve
- Validation Curve
- Variation in Train and Test Errors
- Hyperparameter Tuning
- Exercise 7.04: Hyperparameter Tuning with Random Search
- Feature Importance
- Exercise 7.05: Feature Importance Using Random Forest
- Activity 7.01: Final Test Project
- Summary
- Appendix
- 1. Fundamentals
- Activity 1.01: Implementing Pandas Functions
- 1. Fundamentals
- 2. Exploratory Data Analysis and Visualization
- Activity 2.01: Summary Statistics and Missing Values
- Activity 2.02: Representing the Distribution of Values Visually
- Activity 2.03: Relationships within the Data
- 3. Linear Regression
- Activity 3.01: Plotting Data with a Moving Average
- Activity 3.02: Linear Regression Using the Least Squares Method
- Activity 3.03: Dummy Variables
- Activity 3.04: Feature Engineering with Linear Regression
- Activity 3.05: Gradient Descent
- 4. Autoregression
- Activity 4.01: Autoregression Model Based on Periodic Data
- 5. Classification Techniques
- Activity 5.01: Ordinary Least Squares Classifier Binary Classifier
- Activity 5.02: KNN Multiclass Classifier
- Activity 5.03: Binary Classification Using a CART Decision Tree
- Activity 5.04: Breast Cancer Diagnosis Classification Using Artificial Neural Networks
- 6. Ensemble Modeling
- Activity 6.01: Stacking with Standalone and Ensemble Algorithms
- 7. Model Evaluation
- Activity 7.01: Final Test Project
Packt Publishing - inne książki
-
Save time and effort when building 3D scenes with this essential guide to creating stunning photorealistic 3D environments in Blender
-
Leverage algorithms to solve real world problems ranging from sorting and searching to modern algorithms in machine learning and cryptography
50 Algorithms Every Programmer Should Know - Second Edition 50 Algorithms Every Programmer Should Know - Second Edition
-
Use modern Python libraries such as pandas, NumPy, and scikit-learn and popular machine learning and deep learning methods to solve financial modeling problems
-
Design, build, and deploy performant and maintainable web applications using Spring, Spring Boot, and Angular
-
Get up to speed with Oracle's Autonomous Databases and implementation strategies for any workload or use case, including transactional, data warehousing, and non-relational databases
Oracle Autonomous Database in Enterprise Architecture Oracle Autonomous Database in Enterprise Architecture
-
Build CD pipelines following GitOps principles like declarative and immutable changes stored in version control, all continuously reconciled by Argo CD, and minimize the failure of deployments.
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
W przypadku usługi "Druk na żądanie" termin dostarczenia przesyłki może obejmować także czas potrzebny na dodruk (do 10 dni roboczych)
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.


Oceny i opinie klientów: The Supervised Learning Workshop - Second Edition Blaine Bateman, Ashish Ranjan Jha, Benjamin Johnston, Ishita Mathur (0)
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.