Inteligentna sieć. Algorytmy przyszłości. Wydanie II - ebook

• wprowadzenie do problemów algorytmów inteligentnych
• systemy rekomendacji i filtrowanie kolaboratywne
• wykorzystanie regresji logistycznej do wykrywania oszustw
• uczenie głębokie, uczenie na żywo i renesans sieci neuronowych
• podejmowanie decyzji
• perspektywy inteligentnej sieci

Inteligentny algorytm wyławia perły w strumieniach danych!

Przedmowa (9)

Wprowadzenie (11)

Podziękowania (13)

O książce (15)

Rozdział 1. Budowanie aplikacji na potrzeby inteligentnej sieci (19)

• 1.1. Inteligentny algorytm w akcji - Google Now (21)
• 1.2. Cykl życia inteligentnych algorytmów (23)
• 1.3. Inne przykłady inteligentnych algorytmów (24)
• 1.4. Czym inteligentne aplikacje nie są (25)
  • 1.4.1. Inteligentne algorytmy nie są myślącymi maszynami do uniwersalnych zastosowań (25)
  • 1.4.2. Inteligentne algorytmy nie zastąpią ludzi (25)
  • 1.4.3. Inteligentne algorytmy nie są odkrywane przez przypadek (26)
• 1.5. Klasy inteligentnych algorytmów (26)
  • 1.5.1. Sztuczna inteligencja (27)
  • 1.5.2. Uczenie maszynowe (28)
  • 1.5.3. Analityka predykcyjna (29)
• 1.6. Ocena działania inteligentnych algorytmów (30)
  • 1.6.1. Ocena inteligencji (30)
  • 1.6.2. Ocena predykcji (31)
• 1.7. Ważne uwagi na temat inteligentnych algorytmów (33)
  • 1.7.1. Dane nie są wiarygodne (34)
  • 1.7.2. Wnioskowanie wymaga czasu (34)
  • 1.7.3. Wielkość ma znaczenie! (34)
  • 1.7.4. Różne algorytmy skalują się w odmienny sposób (35)
  • 1.7.5. Nie wszystko jest gwoździem! (35)
  • 1.7.6. Dane to nie wszystko (35)
  • 1.7.7. Czas treningu może się zmieniać (36)
  • 1.7.8. Celem jest generalizacja (36)
  • 1.7.9. Ludzka intuicja nie zawsze się sprawdza (36)
  • 1.7.10. Pomyśl o zaprojektowaniu nowych cech (36)
  • 1.7.11. Poznaj wiele różnych modeli (36)
  • 1.7.12. Korelacja nie oznacza związku przyczynowo-skutkowego (37)
• 1.8. Podsumowanie (37)

Rozdział 2. Wydobywanie struktury z danych - klastrowanie i transformacja danych (39)

• 2.1. Dane, struktura, błąd systematyczny i szum (41)
• 2.2. "Przekleństwo wymiarów" (44)
• 2.3. Algorytm k-średnich (45)
  • 2.3.1. K-średnie w praktyce (49)
• 2.4. Gaussowski model mieszany (52)
  • 2.4.1. Czym jest rozkład Gaussa? (52)
  • 2.4.2. Maksymalizacja wartości oczekiwanej i rozkład Gaussa (55)
  • 2.4.3. Gaussowski model mieszany (55)
  • 2.4.4. Przykład uczenia z użyciem gaussowskiego modelu mieszanego (57)
• 2.5. Zależności między k-średnimi i algorytmem GMM (59)
• 2.6. Transformacje osi danych (60)
  • 2.6.1. Wektory własne i wartości własne (61)
  • 2.6.2. Analiza głównych składowych (61)
  • 2.6.3. Przykład zastosowania analizy głównych składowych (63)
• 2.7. Podsumowanie (65)

Rozdział 3. Rekomendowanie odpowiednich treści (67)

• 3.1. Wprowadzenie - internetowy sklep z filmami (68)
• 3.2. Odległość i podobieństwo (69)
  • 3.2.1. Więcej o odległości i podobieństwie (73)
  • 3.2.2. Który wzór na podobieństwo jest najlepszy? (75)
• 3.3. Jak działają systemy rekomendacji? (76)
• 3.4. Filtrowanie kolaboratywne według użytkowników (77)
• 3.5. Rekomendacje według modelu z wykorzystaniem rozkładu SVD (82)
  • 3.5.1. Rozkład SVD (83)
  • 3.5.2. Rekomendacje z użyciem rozkładu SVD - wybór filmów dla danego użytkownika (84)
  • 3.5.3. Rekomendacje z wykorzystaniem rozkładu SVD - określanie użytkowników, których może zainteresować dany film (90)
• 3.6. Konkurs Netflix Prize (93)
• 3.7. Ocenianie systemu rekomendacji (94)
• 3.8. Podsumowanie (96)

Rozdział 4. Klasyfikowanie - umieszczanie elementów tam, gdzie ich miejsce (97)

• 4.1. Do czego potrzebna jest klasyfikacja? (98)
• 4.2. Przegląd klasyfikatorów (101)
  • 4.2.1. Strukturalne algorytmy klasyfikacji (102)
  • 4.2.2. Statystyczne algorytmy klasyfikacji (104)
  • 4.2.3. Cykl życia klasyfikatora (105)
• 4.3. Wykrywanie oszustw za pomocą regresji logistycznej (106)
  • 4.3.1. Wprowadzenie do regresji liniowej (106)
  • 4.3.2. Od regresji liniowej do logistycznej (108)
  • 4.3.3. Implementowanie wykrywania oszustw (111)
• 4.4. Czy wyniki są wiarygodne? (119)
• 4.5. Klasyfikowanie w bardzo dużych zbiorach danych (122)
• 4.6. Podsumowanie (124)

Rozdział 5. Studium przypadku - prognozowanie kliknięć w reklamie internetowej (127)

• 5.1. Historia i informacje wstępne (128)
• 5.2. Giełda (130)
  • 5.2.1. Dopasowywanie plików cookie (130)
  • 5.2.2. Oferty (131)
  • 5.2.3. Powiadomienie o wygranej (lub przegranej) w licytacji (132)
  • 5.2.4. Umieszczanie reklamy (132)
  • 5.2.5. Monitorowanie reklam (132)
• 5.3. Czym jest agent? (133)
  • 5.3.1. Wymagania stawiane agentowi (133)
• 5.4. Czym jest system podejmowania decyzji? (134)
  • 5.4.1. Informacje o użytkowniku (135)
  • 5.4.2. Informacje o przestrzeni reklamowej (135)
  • 5.4.3. Informacje o kontekście (135)
  • 5.4.4. Przygotowywanie danych (135)
  • 5.4.5. Model dla systemu podejmowania decyzji (136)
  • 5.4.6. Odwzorowywanie prognozowanego współczynnika kliknięć na oferowaną kwotę (136)
  • 5.4.7. Inżynieria cech (137)
  • 5.4.8. Trening modelu (137)
• 5.5. Predykcja kliknięć za pomocą biblioteki Vowpal Wabbit (138)
  • 5.5.1. Format danych używany w VW (138)
  • 5.5.2. Przygotowywanie zbioru danych (141)
  • 5.5.3. Testowanie modelu (146)
  • 5.5.4. Kalibrowanie modelu (148)
• 5.6. Komplikacje związane z budowaniem systemu podejmowania decyzji (150)
• 5.7. Przyszłość prognozowania zdarzeń w czasie rzeczywistym (150)
• 5.8. Podsumowanie (151)

Rozdział 6. Uczenie głębokie i sieci neuronowe (153)

• 6.1. Intuicyjne omówienie uczenia głębokiego (154)
• 6.2. Sieci neuronowe (155)
• 6.3. Perceptron (156)
  • 6.3.1. Trening (158)
  • 6.3.2. Trening perceptronu z użyciem pakietu scikit-learn (160)
  • 6.3.3. Geometryczna interpretacja działania perceptronu dla dwóch wejść (162)
• 6.4. Perceptrony wielowarstwowe (164)
  • 6.4.1. Trening z wykorzystaniem propagacji wstecznej (167)
  • 6.4.2. Funkcje aktywacji (168)
  • 6.4.3. Intuicyjne wyjaśnienie propagacji wstecznej (169)
  • 6.4.4. Teoria propagacji wstecznej (170)
  • 6.4.5. Wielowarstwowe sieci neuronowe w pakiecie scikit-learn (172)
  • 6.4.6. Perceptron wielowarstwowy po zakończeniu nauki (174)
• 6.5. Zwiększanie głębokości - od wielowarstwowych sieci neuronowych do uczenia głębokiego (175)
  • 6.5.1. Ograniczone maszyny Boltzmanna (176)
  • 6.5.2. Maszyny BRBM (177)
  • 6.5.3. Maszyny RBM w praktyce (180)
• 6.6. Podsumowanie (183)

Rozdział 7. Dokonywanie właściwego wyboru (185)

• 7.1. Testy A/B (187)
  • 7.1.1. Teoria (187)
  • 7.1.2. Kod (190)
  • 7.1.3. Adekwatność testów A/B (191)
• 7.2. Wieloręki bandyta (192)
  • 7.2.1. Strategie stosowane w problemie wielorękiego bandyty (192)
• 7.3. Strategia bayesowska w praktyce (197)
• 7.4. Testy A/B a strategia bayesowska (207)
• 7.5. Rozwinięcia eksperymentu z wielorękim bandytą (208)
  • 7.5.1. Bandyci kontekstowi (209)
  • 7.5.2. Problem bandytów z przeciwnikiem (210)
• 7.6. Podsumowanie (210)

Rozdział 8. Przyszłość inteligentnej sieci (213)

• 8.1. Przyszłe zastosowania inteligentnej sieci (214)
  • 8.1.1. Internet rzeczy (214)
  • 8.1.2. Opieka zdrowotna w domu (215)
  • 8.1.3. Autonomiczne samochody (215)
  • 8.1.4. Spersonalizowane fizyczne reklamy (216)
  • 8.1.5. Sieć semantyczna (216)
• 8.2. Społeczne implikacje rozwoju inteligentnej sieci (217)

Dodatek. Pobieranie danych z sieci WWW (219)

• Przykład - wyświetlanie reklam w internecie (220)
  • Dane dostępne w kontekście reklamy internetowej (220)
• Rejestrowanie danych - naiwne rozwiązanie (221)
• Zarządzanie zbieraniem danych w dużej skali (222)
• Poznaj system Kafka (224)
  • Replikacja w systemie Kafka (226)
  • Grupy konsumentów, równoważenie i kolejność (232)
  • Łączenie wszystkich elementów (233)
• Ocena systemu Kafka - rejestrowanie danych w dużej skali (236)
• Wzorce projektowe w systemie Kafka (238)
  • Łączenie systemów Kafka i Storm (238)
  • Łączenie systemów Kafka i Hadoop (240)

Skorowidz (243)