Facebook - konwersja
  • promocja

Uczenie maszynowe w Pythonie dla każdego - ebook

Wydawnictwo:
Data wydania:
18 września 2020
Format ebooka:
EPUB
Format EPUB
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najpopularniejszych formatów e-booków na świecie. Niezwykle wygodny i przyjazny czytelnikom - w przeciwieństwie do formatu PDF umożliwia skalowanie czcionki, dzięki czemu możliwe jest dopasowanie jej wielkości do kroju i rozmiarów ekranu. Więcej informacji znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu. Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
, PDF
Format PDF
czytaj
na laptopie
czytaj
na tablecie
Format e-booków, który możesz odczytywać na tablecie oraz laptopie. Pliki PDF są odczytywane również przez czytniki i smartfony, jednakze względu na komfort czytania i brak możliwości skalowania czcionki, czytanie plików PDF na tych urządzeniach może być męczące dla oczu. Więcej informacji znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu. Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
, MOBI
Format MOBI
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najczęściej wybieranych formatów wśród czytelników e-booków. Możesz go odczytać na czytniku Kindle oraz na smartfonach i tabletach po zainstalowaniu specjalnej aplikacji. Więcej informacji znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu. Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
(3w1)
Multiformat
E-booki sprzedawane w księgarni Virtualo.pl dostępne są w opcji multiformatu - kupujesz treść, nie format. Po dodaniu e-booka do koszyka i dokonaniu płatności, e-book pojawi się na Twoim koncie w Mojej Bibliotece we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu przy okładce. Uwaga: audiobooki nie są objęte opcją multiformatu.
czytaj
na laptopie
Pliki PDF zabezpieczone watermarkiem możesz odczytać na dowolnym laptopie po zainstalowaniu czytnika dokumentów PDF. Najpowszechniejszym programem, który umożliwi odczytanie pliku PDF na laptopie, jest Adobe Reader. W zależności od potrzeb, możesz zainstalować również inny program - e-booki PDF pod względem sposobu odczytywania nie różnią niczym od powszechnie stosowanych dokumentów PDF, które odczytujemy każdego dnia.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale Pomoc.
czytaj
na tablecie
Aby odczytywać e-booki na swoim tablecie musisz zainstalować specjalną aplikację. W zależności od formatu e-booka oraz systemu operacyjnego, który jest zainstalowany na Twoim urządzeniu może to być np. Bluefire dla EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale Pomoc.
czytaj
na czytniku
Czytanie na e-czytniku z ekranem e-ink jest bardzo wygodne i nie męczy wzroku. Pliki przystosowane do odczytywania na czytnikach to przede wszystkim EPUB (ten format możesz odczytać m.in. na czytnikach PocketBook) i MOBI (ten fromat możesz odczytać m.in. na czytnikach Kindle).
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale Pomoc.
czytaj
na smartfonie
Aby odczytywać e-booki na swoim smartfonie musisz zainstalować specjalną aplikację. W zależności od formatu e-booka oraz systemu operacyjnego, który jest zainstalowany na Twoim urządzeniu może to być np. iBooks dla EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale Pomoc.

Uczenie maszynowe w Pythonie dla każdego - ebook

Sztuczna inteligencja i uczenie maszynowe rozwijają się z niezwykłą dynamiką i znajdują coraz więcej różnorodnych zastosowań w niemal wszystkich branżach. Ten spektakularny postęp jest silnie związany z osiągnięciami w świecie sprzętu i oprogramowania. Obecnie do uczenia maszynowego używa się wielu języków programowania, takich jak R, C, C++, Fortran i Go, jednak najpopularniejszym wyborem okazał się Python wraz z jego specjalistycznymi bibliotekami. Znajomość tych bibliotek i narzędzi umożliwia tworzenie systemów uczących się nawet tym osobom, które nie dysponują głęboką wiedzą z dziedziny matematyki.

Ta książka jest przeznaczona dla każdego, kto choć trochę zna Pythona i chce nauczyć się uczenia maszynowego. Zagadnienia matematyczne zostały tu zaprezentowane w minimalnym stopniu, za to więcej uwagi poświęcono koncepcjom, na których oparto najważniejsze i najczęściej używane narzędzia oraz techniki uczenia maszynowego. Następnie pokazano praktyczne zasady implementacji uczenia maszynowego z wykorzystaniem najdoskonalszych bibliotek i narzędzi Pythona. Opisano używane dziś komponenty systemów uczących się, w tym techniki klasyfikacji i regresji, a także inżynierię cech, która pozwala przekształcać dane na użyteczną postać. Przeanalizowano liczne algorytmy i najczęściej stosowane techniki uczenia maszynowego. Pokrótce przedstawiono modele grafowe i sieci neuronowe, w tym sieci głębokie, jak również połączenie tych technik z bardziej zaawansowanymi metodami, przydatnymi choćby w pracy na danych graficznych i tekstowych.

W książce między innymi:

  • algorytmy i modele uczenia maszynowego
  • zasady oceny skuteczności systemów uczących
  • techniki przekształcania danych
  • techniki uczenia maszynowego do obrazu i tekstu
  • sieci neuronowe i modele grafowe
  • biblioteka scikit-learn i inne narzędzia Pythona

Uczenie maszynowe z Pythonem: od dziś dla każdego!

Spis treści


Przedmowa 15

Wprowadzenie 17

O autorze 23

CZĘŚĆ I. PIERWSZE KROKI 25

Rozdział 1. Podyskutujmy o uczeniu się 27

  • 1.1. Witaj 27
  • 1.2. Zakres, terminologia, predykcja i dane 28
    • 1.2.1. Cechy 28
    • 1.2.2. Wartości docelowe i predykcje 31
  • 1.3. Rola maszyny w uczeniu maszynowym 31
  • 1.4. Przykład systemów uczących się 33
    • 1.4.1. Predykcja kategorii: przykłady klasyfikacji 33
    • 1.4.2. Predykcja wartości - przykłady regresorów 35
  • 1.5. Ocena systemów uczących się 35
    • 1.5.1. Poprawność 36
    • 1.5.2. Wykorzystanie zasobów 37
  • 1.6. Proces budowania systemów uczących się 38
  • 1.7. Założenia i realia uczenia się 40
  • 1.8. Zakończenie rozdziału 42
    • 1.8.1. Droga przed nami 42
    • 1.8.2. Uwagi 43

Rozdział 2. Kontekst techniczny 45

  • 2.1. O naszej konfiguracji 45
  • 2.2. Potrzeba posiadania języka matematycznego 45
  • 2.3. Nasze oprogramowanie do zmierzenia się z uczeniem maszynowym 46
  • 2.4. Prawdopodobieństwo 47
    • 2.4.1. Zdarzenia elementarne 48
    • 2.4.2. Niezależność zdarzeń 50
    • 2.4.3. Prawdopodobieństwo warunkowe 50
    • 2.4.4. Rozkłady 52
  • 2.5. Kombinacje liniowe, sumy ważone i iloczyny skalarne 54
    • 2.5.1. Średnia ważona 57
    • 2.5.2. Suma kwadratów 59
    • 2.5.3. Suma kwadratów błędów 59
  • 2.6. Perspektywa geometryczna: punkty w przestrzeni 60
    • 2.6.1. Linie 61
    • 2.6.2. Coś więcej niż linie 65
  • 2.7. Notacja sztuczki plus jeden 69
  • 2.8. Odjazd, zrywanie kaftana bezpieczeństwa i nieliniowość 71
  • 2.9. NumPy kontra "cała matematyka" 73
    • 2.9.1. Wracamy do 1D i 2D 75
  • 2.10. Problemy z wartościami zmiennoprzecinkowymi 78
  • 2.11. Zakończenie rozdziału 79
    • 2.11.1. Podsumowanie 79
    • 2.11.2. Uwagi 79

Rozdział 3. Predykcja kategorii - początki klasyfikacji 81

  • 3.1. Zadania klasyfikacji 81
  • 3.2. Prosty zestaw danych do klasyfikacji 82
  • 3.3. Trenowanie i testowanie: nie ucz się do testu 84
  • 3.4. Ocena - wystawienie stopni 87
  • 3.5. Prosty klasyfikator nr 1: najbliżsi sąsiedzi, związki na odległość i założenia 88
    • 3.5.1. Definiowanie podobieństwa 88
    • 3.5.2. k w k-NN 90
    • 3.5.3. Kombinacja odpowiedzi 90
    • 3.5.4. k-NN, parametry i metody bezparametrowe 90
    • 3.5.5. Budowa modelu klasyfikacji k-NN 91
  • 3.6. Prosty klasyfikator nr 2: naiwny klasyfikator bayesowski, prawdopodobieństwo i złamane obietnice 93
  • 3.7. Uproszczona ocena klasyfikatorów 96
    • 3.7.1. Wydajność uczenia się 96
    • 3.7.2. Wykorzystanie zasobów w klasyfikacji 97
    • 3.7.3. Szacowanie zasobów w aplikacjach samodzielnych 103
  • 3.8. Koniec rozdziału 106
    • 3.8.1. Ostrzeżenie: ograniczenia i otwarte kwestie 106
    • 3.8.2. Podsumowanie 107
    • 3.8.3. Uwagi 107
    • 3.8.4. Ćwiczenia 109

Rozdział 4. Predykcja wartości numerycznych: początki regresji 111

  • 4.1. Prosty zbiór danych dla regresji 111
  • 4.2. Regresja z najbliższymi sąsiadami i statystyki sumaryczne 113
    • 4.2.1. Miary środka: mediana i średnia 114
    • 4.2.2. Budowa modelu regresji k-NN 116
  • 4.3. Błędy regresji liniowej 117
    • 4.3.1. Ziemia nie jest płaska, czyli dlaczego potrzebujemy pochyłości 118
    • 4.3.2. Przekrzywienie pola 120
    • 4.3.3. Wykonanie regresji liniowej 122
  • 4.4. Optymalizacja - wybór najlepszej odpowiedzi 123
    • 4.4.1. Zgadywanie losowe 124
    • 4.4.2. Losowe kroki 124
    • 4.4.3. Sprytne kroki 125
    • 4.4.4. Obliczony skrót 125
    • 4.4.5. Wykorzystanie w regresji liniowej 126
  • 4.5. Prosta ocena i porównanie regresorów 126
    • 4.5.1. Pierwiastek średniego błędu kwadratowego 126
    • 4.5.2. Wydajność uczenia się 127
    • 4.5.3. Wykorzystanie zasobów w regresji 127
  • 4.6. Zakończenie rozdziału 129
    • 4.6.1. Ograniczenia i kwestie otwarte 129
    • 4.6.2. Podsumowanie 130
    • 4.6.3. Uwagi 130
    • 4.6.4. Ćwiczenia 130

CZĘŚĆ II. OCENA 131

Rozdział 5. Ocena i porównywanie metod uczenia się 133

  • 5.1. Ocena i dlaczego mniej znaczy więcej 133
  • 5.2. Terminologia dla faz uczenia się 134
    • 5.2.1. Powrót do maszyn 135
    • 5.2.2. Mówiąc bardziej technicznie... 137
  • 5.3. Majorze Tom, coś jest nie tak - nadmierne dopasowanie i niedopasowanie 141
    • 5.3.1. Dane syntetyczne i regresja liniowa 141
    • 5.3.2. Ręczna modyfikacja złożoności modelu 143
    • 5.3.3. Złotowłosa - wizualizacja nadmiernego dopasowania, niedopasowania oraz "w sam raz" 145
    • 5.3.4. Prostota 148
    • 5.3.5. Uwagi na temat nadmiernego dopasowania 148
  • 5.4. Od błędów do kosztów 149
    • 5.4.1. Strata 149
    • 5.4.2. Koszt 150
    • 5.4.3. Punktacja 151
  • 5.5. (Powtórne) próbkowanie - zamienić mniej w więcej 152
    • 5.5.1. Walidacja krzyżowa 152
    • 5.5.2. Rozwarstwienie 156
    • 5.5.3. Powtarzany podział na dane treningowe i testowe 158
    • 5.5.4. Lepszy sposób i tasowanie 161
    • 5.5.5. Walidacja krzyżowa z odłożeniem jednego 164
  • 5.6. Rozbicie: dekonstrukcja błędu na błąd systematyczny i wariancję 166
    • 5.6.1. Wariancja danych 167
    • 5.6.2. Wariancja modelu 167
    • 5.6.3. Błąd systematyczny modelu 168
    • 5.6.4. A teraz wszystko razem 168
    • 5.6.5. Przykłady kompromisów związanych z błędem systematycznym i wariancją 169
  • 5.7. Ocena graficzna i porównanie 173
    • 5.7.1. Krzywe uczenia - jak dużo danych potrzebujemy? 173
    • 5.7.2. Krzywe złożoności 177
  • 5.8. Porównywanie metod uczących się za pomocą walidacji krzyżowej 178
  • 5.9. Koniec rozdziału 179
    • 5.9.1. Podsumowanie 179
    • 5.9.2. Uwagi 179
    • 5.9.3. Ćwiczenia 181

Rozdział 6. Ocena klasyfikatorów 183

  • 6.1. Klasyfikatory bazowe 183
  • 6.2. Więcej niż dokładność - wskaźniki dla klasyfikacji 186
    • 6.2.1. Eliminacja zamieszania za pomocą macierzy błędu 187
    • 6.2.2. W jaki sposób można się mylić 188
    • 6.2.3. Wskaźniki z macierzy błędu 189
    • 6.2.4. Kodowanie macierzy błędu 190
    • 6.2.5. Radzenie sobie z wieloma klasami - uśrednianie wieloklasowe 192
    • 6.2.6. F1 194
  • 6.3. Krzywe ROC 194
    • 6.3.1. Wzorce w ROC 197
    • 6.3.2. Binarny ROC 199
    • 6.3.3. AUC - obszar pod krzywą ROC 201
    • 6.3.4. Wieloklasowe mechanizmy uczące się, jeden kontra reszta i ROC 203
  • 6.4. Inne podejście dla wielu klas: jeden-kontra-jeden 205
    • 6.4.1. Wieloklasowe AUC, część druga - w poszukiwaniu pojedynczej wartości 206
  • 6.5. Krzywe precyzji i skuteczności wyszukiwania 209
    • 6.5.1. Uwaga o kompromisie precyzji i skuteczności wyszukiwania 209
    • 6.5.2. Budowanie krzywej precyzji i skuteczności wyszukiwania 210
  • 6.6. Krzywe kumulacyjnej odpowiedzi i wzniesienia 211
  • 6.7. Bardziej wyrafinowana ocena klasyfikatorów - podejście drugie 213
    • 6.7.1. Binarne 213
    • 6.7.2. Nowy problem wieloklasowy 217
  • 6.8. Koniec rozdziału 222
    • 6.8.1. Podsumowanie 222
    • 6.8.2. Uwagi 222
    • 6.8.3. Ćwiczenia 224

Rozdział 7. Ocena metod regresji 225

  • 7.1. Metody regresji będące punktem odniesienia 225
  • 7.2. Dodatkowe miary w metodach regresji 227
    • 7.2.1. Tworzenie własnych miar oceny 227
    • 7.2.2. Inne wbudowane miary regresji 228
    • 7.2.3. R2 229
  • 7.3. Wykresy składników resztowych 235
    • 7.3.1. Wykresy błędów 235
    • 7.3.2. Wykresy składników resztowych 237
  • 7.4. Pierwsze podejście do standaryzacji 241
  • 7.5. Ocena mechanizmów regresji w bardziej zaawansowany sposób: podejście drugie 245
    • 7.5.1. Wyniki po sprawdzianie krzyżowym z użyciem różnych miar 246
    • 7.5.2. Omówienie wyników ze sprawdzianu krzyżowego 249
    • 7.5.3. Składniki resztowe 250
  • 7.6. Koniec rozdziału 251
    • 7.6.1. Podsumowanie 251
    • 7.6.2. Uwagi 251
    • 7.6.3. Ćwiczenia 254

CZĘŚĆ III. JESZCZE O METODACH I PODSTAWACH 255

Rozdział 8. Inne metody klasyfikacji 257

  • 8.1. Jeszcze o klasyfikacji 257
  • 8.2. Drzewa decyzyjne 259
    • 8.2.1. Algorytmy budowania drzewa 262
    • 8.2.2. Do pracy. Pora na drzewa decyzyjne 265
    • 8.2.3. Obciążenie i wariancja w drzewach decyzyjnych 268
  • 8.3. Klasyfikatory oparte na wektorach nośnych 269
    • 8.3.1. Stosowanie klasyfikatorów SVC 272
    • 8.3.2. Obciążenie i wariancja w klasyfikatorach SVC 275
  • 8.4. Regresja logistyczna 277
    • 8.4.1. Szanse w zakładach 278
    • 8.4.2. Prawdopodobieństwo, szanse i logarytm szans 280
    • 8.4.3. Po prostu to zrób: regresja logistyczna 285
    • 8.4.4. Regresja logistyczna: osobliwość przestrzenna 286
  • 8.5. Analiza dyskryminacyjna 287
    • 8.5.1. Kowariancja 289
    • 8.5.2. Metody 299
    • 8.5.3. Przeprowadzanie analizy dyskryminacyjnej 301
  • 8.6. Założenia, obciążenie i klasyfikatory 302
  • 8.7. Porównanie klasyfikatorów: podejście trzecie 304
    • 8.7.1. Cyfry 305
  • 8.8. Koniec rozdziału 307
    • 8.8.1. Podsumowanie 307
    • 8.8.2. Uwagi 307
    • 8.8.3. Ćwiczenia 310

Rozdział 9. Inne metody regresji 313

  • 9.1. Regresja liniowa na ławce kar - regularyzacja 313
    • 9.1.1. Przeprowadzanie regresji z regularyzacją 318
  • 9.2. Regresja z użyciem wektorów nośnych 319
    • 9.2.1. Zawiasowa funkcja straty 319
    • 9.2.2. Od regresji liniowej przez regresję z regularyzacją do regresji SVR 323
    • 9.2.3. Po prostu to zrób - w stylu SVR 324
  • 9.3. Regresja segmentowa ze stałymi 325
    • 9.3.1. Implementowanie regresji segmentowej ze stałymi 327
    • 9.3.2. Ogólne uwagi na temat implementowania modeli 328
  • 9.4. Drzewa regresyjne 331
    • 9.4.1. Przeprowadzanie regresji z użyciem drzew 331
  • 9.5. Porównanie metod regresji: podejście trzecie 332
  • 9.6. Koniec rozdziału 334
    • 9.6.1. Podsumowanie 334
    • 9.6.2. Uwagi 334
    • 9.6.3. Ćwiczenia 335

Rozdział 10. Ręczna inżynieria cech - manipulowanie danymi dla zabawy i dla zysku 337

  • 10.1. Terminologia i przyczyny stosowania inżynierii cech 337
    • 10.1.1. Po co stosować inżynierię cech? 338
    • 10.1.2. Kiedy stosuje się inżynierię cech? 339
    • 10.1.3. Jak przebiega inżynieria cech? 340
  • 10.2. Wybieranie cech i redukcja danych - pozbywanie się śmieci 341
  • 10.3. Skalowanie cech 342
  • 10.4. Dyskretyzacja 346
  • 10.5. Kodowanie kategorii 348
    • 10.5.1. Inna metoda kodowania i niezwykły przypadek braku punktu przecięcia z osią 351
  • 10.6. Relacje i interakcje 358
    • 10.6.1. Ręczne tworzenie cech 358
    • 10.6.2. Interakcje 360
    • 10.6.3. Dodawanie cech na podstawie transformacji 364
  • 10.7. Manipulowanie wartościami docelowymi 366
    • 10.7.1. Manipulowanie przestrzenią danych wejściowych 367
    • 10.7.2. Manipulowanie wartościami docelowymi 369
  • 10.8. Koniec rozdziału 371
    • 10.8.1. Podsumowanie 371
    • 10.8.2. Uwagi 371
    • 10.8.3. Ćwiczenia 372

Rozdział 11. Dopracowywanie hiperparametrów i potoki 375

  • 11.1. Modele, parametry i hiperparametry 376
  • 11.2. Dostrajanie hiperparametrów 378
    • 11.2.1. Uwaga na temat słownictwa informatycznego i z dziedziny uczenia maszynowego 378
    • 11.2.2. Przykład przeszukiwania kompletnego 378
    • 11.2.3. Używanie losowości do szukania igły w stogu siana 384
  • 11.3. Wyprawa w rekurencyjną króliczą norę - zagnieżdżony sprawdzian krzyżowy 385
    • 11.3.1. Opakowanie w sprawdzian krzyżowy 386
    • 11.3.2. Przeszukiwanie siatki jako model 387
    • 11.3.3. Sprawdzian krzyżowy zagnieżdżony w sprawdzianie krzyżowym 388
    • 11.3.4. Uwagi na temat zagnieżdżonych SK 391
  • 11.4. Potoki 393
    • 11.4.1. Prosty potok 393
    • 11.4.2. Bardziej skomplikowany potok 394
  • 11.5. Potoki i dostrajanie całego procesu 395
  • 11.6. Koniec rozdziału 397
    • 11.6.1. Podsumowanie 397
    • 11.6.2. Uwagi 397
    • 11.6.3. Ćwiczenia 398

CZĘŚĆ IV. ZWIĘKSZANIE ZŁOŻONOŚCI 399

Rozdział 12. Łączenie mechanizmów uczących się 401

  • 12.1. Zespoły 401
  • 12.2. Zespoły głosujące 404
  • 12.3. Bagging i lasy losowe 404
    • 12.3.1. Technika bootstrap 404
    • 12.3.2. Od techniki bootstrap do metody bagging 408
    • 12.3.3. Przez losowy las 410
  • 12.4. Boosting 412
    • 12.4.1. Szczegółowe omówienie boostingu 413
  • 12.5. Porównywanie metod opartych na zespołach drzew 415
  • 12.6. Koniec rozdziału 418
    • 12.6.1. Podsumowanie 418
    • 12.6.2. Uwagi 419
    • 12.6.3. Ćwiczenia 420

Rozdział 13. Modele z automatyczną inżynierią cech 423

  • 13.1. Wybieranie cech 425
    • 13.1.1. Filtrowanie jednoetapowe z wybieraniem cech na podstawie miar 426
    • 13.1.2. Wybieranie cech na podstawie modelu 437
    • 13.1.3. Integrowanie wybierania cech z potokiem procesu uczenia 440
  • 13.2. Tworzenie cech za pomocą jąder 441
    • 13.2.1. Powód używania jąder 441
    • 13.2.2. Ręczne metody wykorzystujące jądra 446
    • 13.2.3. Metody wykorzystujące jądro i opcje jądra 450
    • 13.2.4. Klasyfikatory SVC dostosowane do jądra - maszyny SVM 454
    • 13.2.5. Uwagi do zapamiętania na temat maszyn SVM i przykładów 456
  • 13.3. Analiza głównych składowych - technika nienadzorowana 457
    • 13.3.1. Rozgrzewka - centrowanie 458
    • 13.3.2. Znajdowanie innej najlepszej linii 459
    • 13.3.3. Pierwsza analiza głównych składowych 461
    • 13.3.4. Analiza głównych składowych od kuchni 463
    • 13.3.5. Wielki finał - uwagi na temat analizy głównych składowych 469
    • 13.3.6. Analiza głównych składowych dla jądra i metody oparte na rozmaitościach 470
  • 13.4. Koniec rozdziału 473
    • 13.4.1. Podsumowanie 473
    • 13.4.2. Uwagi 474
    • 13.4.3. Ćwiczenia 478

Rozdział 14. Inżynieria cech dla dziedzin - uczenie specyficzne dla dziedziny 481

  • 14.1. Praca z tekstem 482
    • 14.1.1. Kodowanie tekstu 484
    • 14.1.2. Przykład maszynowego klasyfikowania tekstu 488
  • 14.2. Klastrowanie 490
    • 14.2.1. Klastrowanie metodą k-średnich 491
  • 14.3. Praca z obrazami 492
    • 14.3.1. Worek słów graficznych 492
    • 14.3.2. Dane graficzne 493
    • 14.3.3. Kompletny system 494
    • 14.3.4. Kompletny kod transformacji obrazów na postać WGSG 501
  • 14.4. Koniec rozdziału 503
    • 14.4.1. Podsumowanie 503
    • 14.4.2. Uwagi 503
    • 14.4.3. Ćwiczenia 505

Rozdział 15. Powiązania, rozwinięcia i kierunki dalszego rozwoju 507

  • 15.1. Optymalizacja 507
  • 15.2. Regresja liniowa z prostych składników 510
    • 15.2.1. Graficzne ujęcie regresji liniowej 513
  • 15.3. Regresja logistyczna z prostych składników 514
    • 15.3.1. Regresja logistyczna i kodowanie zerojedynkowe 515
    • 15.3.2. Regresja logistyczna z kodowaniem plus jeden - minus jeden 517
    • 15.3.3. Graficzne ujęcie regresji logistycznej 518
  • 15.4. Maszyna SVM z prostych składników 518
  • 15.5. Sieci neuronowe 520
    • 15.5.1. Regresja liniowa za pomocą sieci neuronowych 521
    • 15.5.2. Regresja logistyczna za pomocą sieci neuronowych 523
    • 15.5.3. Poza podstawowe sieci neuronowe 524
  • 15.6. Probabilistyczne modele grafowe 525
    • 15.6.1. Próbkowanie 527
    • 15.6.2. Regresja liniowa za pomocą modelu PGM 528
    • 15.6.3. Regresja logistyczna za pomocą modelu PGM 531
  • 15.7. Koniec rozdziału 534
    • 15.7.1. Podsumowanie 534
    • 15.7.2. Uwagi 534
    • 15.7.3. Ćwiczenia 535

Dodatek A. Kod z pliku mlwpy.py 537

Kategoria: Programowanie
Zabezpieczenie: Watermark
Watermark
Watermarkowanie polega na znakowaniu plików wewnątrz treści, dzięki czemu możliwe jest rozpoznanie unikatowej licencji transakcyjnej Użytkownika. E-książki zabezpieczone watermarkiem można odczytywać na wszystkich urządzeniach odtwarzających wybrany format (czytniki, tablety, smartfony). Nie ma również ograniczeń liczby licencji oraz istnieje możliwość swobodnego przenoszenia plików między urządzeniami. Pliki z watermarkiem są kompatybilne z popularnymi programami do odczytywania ebooków, jak np. Calibre oraz aplikacjami na urządzenia mobilne na takie platformy jak iOS oraz Android.
ISBN: 978-83-283-6426-4
Rozmiar pliku: 10 MB

BESTSELLERY

Kategorie: