Uczenie maszynowe w Pythonie. Receptury

(ebook) (audiobook) (audiobook)

Autor:: Chris Albon

Promocja Przejdź

Uczenie maszynowe w Pythonie. Receptury Chris Albon - okładka książki

Uczenie maszynowe w Pythonie. Receptury Chris Albon - okładka audiobooka MP3

Uczenie maszynowe w Pythonie. Receptury Chris Albon - okładka audiobooks CD

Obróć Zajrzyj do książki

Wydawnictwo:: Helion
Wydawnictwo:: Helion
Ocena:: 6.0/6 Opinie: 2
Stron:: 344
Druk:: oprawa miękka
3w1 w pakiecie::      PDF

     ePub

     Mobi

Książka

69,00 zł

Powiadom mnie, gdy książka będzie dostępna

Ebook

~~69,00 zł~~ (-50%)
34,50 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Powiadom o dostępności audiobooka »

Czytaj fragment

Uczenie maszynowe jest dziś wykorzystywane w różnych dziedzinach życia: w biznesie, w polityce, w organizacjach non profit i oczywiście w nauce. Samouczące się algorytmy maszynowe stanowią wyjątkową metodę przekształcania danych w wiedzę. Powstało sporo książek wyjaśniających sposób działania tych algorytmów i prezentujących nieraz spektakularne przykłady ich wykorzystania. Do dyspozycji pozostają też narzędzia przeznaczone do tego rodzaju zastosowań, takie jak biblioteki Pythona, w tym pandas i scikit-learn. Problemem pozostaje implementacja rozwiązań codziennych problemów związanych z uczeniem maszynowym.

Z tej książki najwięcej skorzystają profesjonaliści, którzy znają podstawowe koncepcje związane z uczeniem maszynowym. Osoby te potraktują ją jako przewodnik ułatwiający rozwiązywanie konkretnych problemów napotykanych podczas codziennej pracy z uczeniem maszynowym. Dzięki zawartym tu recepturom takie zadania jak wczytywanie danych, obsługa danych tekstowych i liczbowych, wybór modelu czy redukcja wymiarowości staną się o wiele łatwiejsze do wykonania. Każda receptura zawiera kod, który można wstawić do swojego programu, połączyć lub zaadaptować według potrzeb. Przedstawiono także analizy wyjaśniające poszczególne rozwiązania i ich kontekst. Z tą książką płynnie przejdziesz od rozważań teoretycznych do opracowywania działających aplikacji i praktycznego korzystania z zalet uczenia maszynowego.

Receptury w tej książce dotyczą:

wektorów, macierzy i tablic
obsługi danych liczbowych i tekstowych, obrazów, a także związanych z datą i godziną
redukcji wymiarowości za pomocą wyodrębniania i wyboru cech
oceny i wyboru modelu oraz regresji liniowej i logistycznej
maszyn wektorów nośnych (SVM), naiwnej klasyfikacji bayesowskiej, klasteryzacji i sieci neuronowych
zapisywania i wczytywania wytrenowanych modeli

Uczenie maszynowe w Pythonie - użyj sprawdzonych receptur kodu!

O autorze książki

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 .

Ebooka przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook
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:

Oceny i opinie klientów: Uczenie maszynowe w Pythonie. Receptury Chris Albon (2)

6
(2)
5
(0)
4
(0)
3
(0)
2
(0)
1
(0)

6.0

6 potwierdzona zakupem i oceniona przez: Radosław S, 2021-01-13

Super pozycja dla początkujących
6 potwierdzona zakupem i oceniona przez: 2019-04-17

Książka przydatna dla początkujących

więcej opinii

Szczegóły książki

Tytuł oryginału:: Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning
Tłumaczenie:: Robert Górczyński
ISBN Książki drukowanej:: 978-83-283-5046-5, 9788328350465
Data wydania książki drukowanej:: 2019-03-12
ISBN Ebooka:: 978-83-283-5051-9, 9788328350519
Data wydania ebooka:: 2019-03-12 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:: 84681
Rozmiar pliku Pdf:: 3.1MB
Rozmiar pliku ePub:: 4.2MB
Rozmiar pliku Mobi:: 9.7MB
Pobierz przykładowy rozdział PDF
Przykłady na ftp

Zgłoś erratę
Kategorie:
Biznes IT » IT w ekonomii
Uczenie maszynowe
Serie wydawnicze: O'Reilly

Spis treści książki

Wprowadzenie 11

1. Wektor, macierz i tablica 15

1.0. Wprowadzenie 15
1.1. Tworzenie wektora 15
1.2. Tworzenie macierzy 16
1.3. Tworzenie macierzy rzadkiej 17
1.4. Pobieranie elementów 18
1.5. Opisywanie macierzy 20
1.6. Przeprowadzanie operacji na elementach 20
1.7. Znajdowanie wartości maksymalnej i minimalnej 21
1.8. Obliczanie średniej, wariancji i odchylenia standardowego 22
1.9. Zmiana kształtu tablicy 23
1.10. Transponowanie wektora lub macierzy 24
1.11. Spłaszczanie macierzy 25
1.12. Znajdowanie rzędu macierzy 25
1.13. Obliczanie wyznacznika macierzy 26
1.14. Pobieranie przekątnej macierzy 27
1.15. Obliczanie śladu macierzy 27
1.16. Znajdowanie wektorów i wartości własnych 28
1.17. Obliczanie iloczynu skalarnego 29
1.18. Dodawanie i odejmowanie macierzy 30
1.19. Mnożenie macierzy 31
1.20. Odwracanie macierzy 32
1.21. Generowanie liczb losowych 33

2. Wczytywanie danych 35

2.0. Wprowadzenie 35
2.1. Wczytywanie przykładowego zbioru danych 35
2.2. Tworzenie symulowanego zbioru danych 36
2.3. Wczytywanie pliku CSV 39
2.4. Wczytywanie pliku Excela 40
2.5. Wczytywanie pliku JSON 41
2.6. Wykonywanie zapytań do bazy danych SQL 42

3. Przygotowywanie danych 45

3.0. Wprowadzenie 45
3.1. Tworzenie ramki danych 46
3.2. Opisywanie danych 47
3.3. Poruszanie się po ramce danych 49
3.4. Pobieranie wierszy na podstawie pewnych warunków 51
3.5. Zastępowanie wartości 52
3.6. Zmiana nazwy kolumny 53
3.7. Znajdowanie wartości minimalnej, maksymalnej, sumy, średniej i liczby elementów w kolumnie 54
3.8. Znajdowanie unikatowych wartości 55
3.9. Obsługa brakujących wartości 56
3.10. Usuwanie kolumn 58
3.11. Usuwanie wiersza 59
3.12. Usuwanie powielonych wierszy 60
3.13. Grupowanie wierszy 62
3.14. Grupowanie wierszy według czasu 63
3.15. Iterowanie przez kolumnę 65
3.16. Wywoływanie funkcji dla wszystkich elementów kolumny 66
3.17. Wywoływanie funkcji dla grupy 67
3.18. Konkatenacja obiektów typu DataFrame 68
3.19. Złączanie obiektów typu DataFrame 69

4. Obsługa danych liczbowych 73

4.0. Wprowadzenie 73
4.1. Przeskalowywanie cechy 73
4.2. Standaryzowanie cechy 74
4.3. Normalizowanie obserwacji 76
4.4. Generowanie cech wielomianowych i interakcji 78
4.5. Transformacja cech 79
4.6. Wykrywanie elementów odstających 80
4.7. Obsługa elementów odstających 82
4.8. Dyskretyzacja cech 84
4.9. Grupowanie obserwacji przy użyciu klastra 85
4.10. Usuwanie obserwacji, w których brakuje wartości 87
4.11. Uzupełnianie brakujących wartości 88

5. Obsługa danych kategoryzujących 91

5.0. Wprowadzenie 91
5.1. Kodowanie nominalnych cech kategoryzujących 92
5.2. Kodowanie porządkowych cech kategoryzujących 94
5.3. Kodowanie słowników cech 96
5.4. Wstawianie brakujących wartości klas 98
5.5. Obsługa niezrównoważonych klas 99

6. Obsługa tekstu 103

6.0. Wprowadzenie 103
6.1. Oczyszczanie tekstu 103
6.2. Przetwarzanie i oczyszczanie danych HTML 105
6.3. Usuwanie znaku przestankowego 105
6.4. Tokenizacja tekstu 106
6.5. Usuwanie słów o małym znaczeniu 107
6.6. Stemming słów 108
6.7. Oznaczanie części mowy 109
6.8. Kodowanie tekstu za pomocą modelu worka słów 111
6.9. Określanie wagi słów 113

7. Obsługa daty i godziny 117

7.0. Wprowadzenie 117
7.1. Konwertowanie ciągu tekstowego na datę 117
7.2. Obsługa stref czasowych 118
7.3. Pobieranie daty i godziny 120
7.4. Podział danych daty na wiele cech 121
7.5. Obliczanie różnicy między datami 122
7.6. Kodowanie dni tygodnia 123
7.7. Tworzenie cechy opóźnionej w czasie 124
7.8. Użycie okien upływającego czasu 125
7.9. Obsługa brakujących danych w serii danych zawierających wartości daty i godziny 126

8. Obsługa obrazów 129

8.0. Wprowadzenie 129
8.1. Wczytywanie obrazu 129
8.2. Zapisywanie obrazu 132
8.3. Zmiana wielkości obrazu 133
8.4. Kadrowanie obrazu 134
8.5. Rozmywanie obrazu 135
8.6. Wyostrzanie obrazu 138
8.7. Zwiększanie kontrastu 138
8.8. Izolowanie kolorów 141
8.9. Progowanie obrazu 142
8.10. Usuwanie tła obrazu 145
8.11. Wykrywanie krawędzi 147
8.12. Wykrywanie narożników w obrazie 150
8.13. Tworzenie cech w uczeniu maszynowym 153
8.14. Użycie średniej koloru jako cechy 155
8.15. Użycie histogramu koloru jako cechy 157

9. Redukowanie wymiarowości za pomocą wyodrębniania cech 161

9.0. Wprowadzenie 161
9.1. Redukowanie cech za pomocą głównych składowych 161
9.2. Redukowanie cech, gdy dane są liniowo nierozłączne 164
9.3. Redukowanie cech przez maksymalizację rozłączności klas 166
9.4. Redukowanie cech za pomocą rozkładu macierzy 169
9.5. Redukowanie cech w rzadkich danych 170

10. Redukcja wymiarowości za pomocą wyboru cech 173

10.0. Wprowadzenie 173
10.1. Progowanie wariancji cechy liczbowej 173
10.2. Progowanie wariancji cechy binarnej 175
10.3. Obsługa wysoce skorelowanych cech 176
10.4. Usuwanie nieistotnych dla klasyfikacji cech 177
10.5. Rekurencyjne eliminowanie cech 179

11. Ocena modelu 183

11.0. Wprowadzenie 183
11.1. Modele sprawdzianu krzyżowego 183
11.2. Tworzenie modelu regresji bazowej 186
11.3. Tworzenie modelu klasyfikacji bazowej 188
11.4. Ocena prognoz klasyfikatora binarnego 189
11.5. Ocena progowania klasyfikatora binarnego 192
11.6. Ocena prognoz klasyfikatora wieloklasowego 195
11.7. Wizualizacja wydajności klasyfikatora 197
11.8. Ocena modelu regresji 199
11.9. Ocena modelu klasteryzacji 201
11.10. Definiowanie niestandardowych współczynników oceny modelu 202
11.11. Wizualizacja efektu wywieranego przez wielkość zbioru uczącego 204
11.12. Tworzenie raportu tekstowego dotyczącego współczynnika oceny 206
11.13. Wizualizacja efektu wywieranego przez zmianę wartości hiperparametrów 207

12. Wybór modelu 211

12.0. Wprowadzenie 211
12.1. Wybór najlepszych modeli przy użyciu wyczerpującego wyszukiwania 212
12.2. Wybór najlepszych modeli za pomocą przeszukiwania losowego 214
12.3. Wybór najlepszych modeli z wielu algorytmów uczenia maszynowego 216
12.4. Wybór najlepszych modeli na etapie przygotowywania danych 217
12.5. Przyspieszanie wyboru modelu za pomocą równoległości 219
12.6. Przyspieszanie wyboru modelu przy użyciu metod charakterystycznych dla algorytmu 220
12.7. Ocena wydajności po wyborze modelu 221

13. Regresja liniowa 225

13.0. Wprowadzenie 225
13.1. Wyznaczanie linii 225
13.2. Obsługa wpływu interakcji 227
13.3. Wyznaczanie zależności nieliniowej 228
13.4. Redukowanie wariancji za pomocą regularyzacji 230
13.5. Redukowanie cech za pomocą regresji metodą LASSO 232

14. Drzewa i lasy 235

14.0. Wprowadzenie 235
14.1. Trenowanie klasyfikatora drzewa decyzyjnego 235
14.2. Trenowanie regresora drzewa decyzyjnego 237
14.3. Wizualizacja modelu drzewa decyzyjnego 238
14.4. Trenowanie klasyfikatora losowego lasu 240
14.5. Testowanie regresora losowego lasu 241
14.6. Identyfikacja ważnych cech w losowych lasach 242
14.7. Wybór ważnych cech w losowym lesie 245
14.8. Obsługa niezrównoważonych klas 246
14.9. Kontrolowanie wielkości drzewa 247
14.10. Poprawa wydajności za pomocą wzmocnienia 248
14.11. Ocena losowego lasu za pomocą estymatora błędu out-of-bag 250

15. Algorytm k najbliższych sąsiadów 251

15.0. Wprowadzenie 251
15.1. Wyszukiwanie najbliższych sąsiadów obserwacji 251
15.2. Tworzenie klasyfikatora k najbliższych sąsiadów 253
15.3. Ustalanie najlepszej wielkości sąsiedztwa 255
15.4. Tworzenie klasyfikatora najbliższych sąsiadów opartego na promieniu 256

16. Regresja logistyczna 259

16.0. Wprowadzenie 259
16.1. Trenowanie klasyfikatora binarnego 259
16.2. Trenowanie klasyfikatora wieloklasowego 260
16.3. Redukcja wariancji poprzez regularyzację 262
16.4. Trenowanie klasyfikatora na bardzo dużych danych 263
16.5. Obsługa niezrównoważonych klas 264

17. Maszyna wektora nośnego 267

17.0. Wprowadzenie 267
17.1. Trenowanie klasyfikatora liniowego 267
17.2. Obsługa liniowo nierozdzielnych klas przy użyciu funkcji jądra 270
17.3. Określanie prognozowanego prawdopodobieństwa 273
17.4. Identyfikacja wektorów nośnych 275
17.5. Obsługa niezrównoważonych klas 276

18. Naiwny klasyfikator bayesowski 279

18.0. Wprowadzenie 279
18.1. Trenowanie klasyfikatora dla cech ciągłych 280
18.2. Trenowanie klasyfikatora dla cech dyskretnych lub liczebnych 282
18.3. Trenowanie naiwnego klasyfikatora bayesowskiego dla cech binarnych 283
18.4. Kalibrowanie prognozowanego prawdopodobieństwa 284

19. Klasteryzacja 287

19.0. Wprowadzenie 287
19.1. Klasteryzacja za pomocą k średnich 287
19.2. Przyspieszanie klasteryzacji za pomocą k średnich 290
19.3. Klasteryzacja za pomocą algorytmu meanshift 290
19.4. Klasteryzacja za pomocą algorytmu DBSCAN 292
19.5. Klasteryzacja za pomocą łączenia hierarchicznego 293

20. Sieci neuronowe 295

20.0. Wprowadzenie 295
20.1. Przygotowywanie danych dla sieci neuronowej 296
20.2. Projektowanie sieci neuronowej 297
20.3. Trenowanie klasyfikatora binarnego 300
20.4. Trenowanie klasyfikatora wieloklasowego 302
20.5. Trenowanie regresora 304
20.6. Generowanie prognoz 305
20.7. Wizualizacja historii trenowania 307
20.8. Redukcja nadmiernego dopasowania za pomocą regularyzacji wagi 310
20.9. Redukcja nadmiernego dopasowania za pomocą techniki wcześniejszego zakończenia procesu uczenia 311
20.10. Redukcja nadmiernego dopasowania za pomocą techniki porzucenia 313
20.11. Zapisywanie postępu modelu uczącego 315
20.12. K-krotny sprawdzian krzyżowy sieci neuronowej 316
20.13. Dostrajanie sieci neuronowej 318
20.14. Wizualizacja sieci neuronowej 320
20.15. Klasyfikacja obrazów 322
20.16. Poprawa wydajności przez modyfikację obrazu 325
20.17. Klasyfikowanie tekstu 327

21. Zapisywanie i wczytywanie wytrenowanych modeli 331

21.0. Wprowadzenie 331
21.1. Zapisywanie i wczytywanie modelu biblioteki scikit-learn 331
21.2. Zapisywanie i wczytywanie modelu biblioteki Keras 332

Skorowidz 335

pokaż cały spis treści