- promocja
Zaawansowane uczenie maszynowe z językiem Python - ebook
Zaawansowane uczenie maszynowe z językiem Python - ebook
Uczenie maszynowe przyczyniło się do powstania wielu innowacyjnych technologii. Pojazdy autonomiczne, mechanizmy rozpoznawania obrazów, badania genetyczne, a także dynamiczne dostosowywanie prezentowanych treści do preferencji odbiorcy to tylko niektóre przykłady. Możliwości związane z rozwojem tych technik sprawiają, że analityka danych i zaawansowane uczenie maszynowe stają się wyjątkowo cenną wiedzą. Dotyczy to szczególnie nowatorskich technik analizy danych, takich jak głębokie uczenie, algorytmy częściowo nadzorowane i metody zespołowe.
Niniejsza książka jest przystępnie napisanym podręcznikiem, dzięki któremu poznasz niektóre zaawansowane techniki uczenia maszynowego. Szczególną uwagę poświęcono tu algorytmom uczenia maszynowego: zostały dokładnie wyjaśnione, opisano ich zastosowanie oraz topologię, metody uczenia i miary wydajności. Każdy rozdział uzupełniono o wykaz źródeł, pomocny w dalszym zgłębianiu tematu. Dodatkowo przedstawiono wiele cennych wskazówek dotyczących specyfiki pracy analityka danych. Do prezentacji przykładów wybrano język Python z uwagi na jego wszechstronność, elastyczność, prostotę oraz możliwość stosowania do specjalistycznych zadań.
Najważniejsze zagadnienia przedstawione w książce:
- identyfikacja struktur i wzorców w zbiorach danych
- stosowanie sieci neuronowych
- praca z językiem naturalnym
- modele zespołowe i poprawa ich elastyczności
- narzędzia uczenia maszynowego w Pythonie
Zaawansowane uczenie maszynowe — poznaj algorytmy przyszłości!
John Hearty — jest autorytetem w dziedzinie analityki danych i inżynierii infrastruktury. Przez pewien czas zajmował się modelowaniem zachowań gracza i infrastrukturą dużych zbiorów danych w Microsofcie. Ważniejszymi jego projektami były modelowanie umiejętności gracza w grach asymetrycznych i modele segmentacji graczy mające na celu zindywidualizowanie rozgrywki. Obecnie Hearty jest niezależnym ekspertem, szczególnie cenionym przez zespoły zajmujące się eksploracją danych. W wolnym czasie tworzy modele uczenia maszynowego w Pythonie.
Spis treści
O autorze (9)
O korektorach merytorycznych (11)
Wstęp (13)
Rozdział 1. Nienadzorowane uczenie maszynowe (19)
- Analiza głównych składowych (PCA) (20)
- Podstawy analizy głównych składowych (20)
- Stosowanie algorytmu analizy głównych składowych (21)
- Wprowadzenie grupowania metodą k-średnich (24)
- Grupowanie - wprowadzenie (24)
- Rozpoczynamy grupowanie (25)
- Dostrajanie konfiguracji klastrów (29)
- Sieci Kohonena (34)
- Sieci Kohonena - wprowadzenie (34)
- Korzystanie z sieci Kohonena (35)
- Dalsza lektura (38)
- Podsumowanie (39)
Rozdział 2. Sieci DBN (41)
- Sieci neuronowe - wprowadzenie (42)
- Budowa sieci neuronowej (42)
- Topologie sieci (43)
- Ograniczona maszyna Boltzmanna (45)
- Ograniczone maszyny Boltzmanna - wstęp (46)
- Zastosowania ograniczonych maszyn Boltzmanna (49)
- Dalsze zastosowania ograniczonej maszyny Boltzmanna (58)
- Sieci głębokie (59)
- Trenowanie sieci DBN (59)
- Stosowanie sieci DBN (60)
- Walidacja sieci DBN (63)
- Dalsza lektura (64)
- Podsumowanie (64)
Rozdział 3. Stosy autoenkoderów odszumiających (67)
- Autoenkodery (67)
- Autoenkodery - wprowadzenie (68)
- Odszumianie autoenkoderów (70)
- Korzystanie z autoenkodera odszumiającego (72)
- Stosy autoenkoderów odszumiających (75)
- Korzystanie ze stosu autoenkoderów odszumiających (76)
- Ocena wydajności stosu autoenkoderów odszumiających (82)
- Dalsza lektura (83)
- Podsumowanie (83)
Rozdział 4. Konwolucyjne sieci neuronowe (85)
- Konwolucyjne sieci neuronowe - wprowadzenie (85)
- Topologia sieci konwolucyjnej (86)
- Korzystanie z konwolucyjnych sieci neuronowych (98)
- Dalsza lektura (104)
- Podsumowanie (105)
Rozdział 5. Częściowo nadzorowane uczenie maszynowe (107)
- Wstęp (107)
- Czym jest uczenie częściowo nadzorowane? (108)
- Działanie algorytmów uczenia częściowo nadzorowanego (109)
- Samodzielne uczenie się (109)
- Kontrastywna pesymistyczna estymacja prawdopodobieństwa (119)
- Dalsza lektura (128)
- Podsumowanie (129)
Rozdział 6. Rozpoznawanie języka naturalnego i selekcja cech (131)
- Wstęp (131)
- Selekcja cech danych tekstowych (133)
- Czyszczenie danych tekstowych (133)
- Tworzenie cech na podstawie danych tekstowych (141)
- Testowanie przygotowanych danych (146)
- Dalsza lektura (152)
- Podsumowanie (153)
Rozdział 7. Selekcja cech - część II (155)
- Wstęp (155)
- Tworzenie zestawu cech (156)
- Selekcja cech pod kątem uczenia maszynowego (156)
- Korzystanie z technik selekcji cech (164)
- Inżynieria cech w praktyce (172)
- Pobieranie danych za pomocą interfejsów REST (173)
- Dalsza lektura (192)
- Podsumowanie (193)
Rozdział 8. Metody zespołowe (195)
- Wprowadzenie do metod zespołowych (196)
- Metody uśredniające (197)
- Stosowanie metod wzmacniania (201)
- Stosowanie metod kontaminacji (207)
- Wykorzystanie modeli w zastosowaniach dynamicznych (212)
- Czym jest elastyczność modeli? (213)
- Strategie zarządzania elastycznością modelu (220)
- Dalsza lektura (223)
- Podsumowanie (224)
Rozdział 9. Dodatkowe narzędzia uczenia maszynowego w języku Python (225)
- Alternatywne narzędzia programowe (226)
- Biblioteka Lasagne - wprowadzenie (226)
- Biblioteka TensorFlow - wprowadzenie (228)
- Kiedy warto korzystać z tych bibliotek? (232)
- Dalsza lektura (235)
- Podsumowanie (235)
Dodatek A. Wymagania przykładowych skryptów (237)
Skorowidz (239)
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-283-3608-7 |
| Rozmiar pliku: | 8,0 MB |
