reklama - zainteresowany?

Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II - Helion

Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
Autor: David Natingga
Tytuł oryginału: Data Science Algorithms in a Week: Top 7 algorithms for scientific computing, data analysis, and machine learning, 2nd Edition
Tłumaczenie: Andrzej Grażyński
ISBN: 978-83-283-5602-3
stron: 208, Format: 168x237, okładka: miękka
Data wydania: 2019-10-08
Księgarnia: Helion

Cena książki: 49,00 zł

Dodaj do koszyka Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II

Tagi: Algorytmy - Programowanie | Analiza danych | Inne | Python - Programowanie | Uczenie maszynowe

Data science jest interdyscyplinarnÄ… dziedzinÄ… naukowÄ… Å‚Ä…czÄ…cÄ… osiÄ…gniÄ™cia uczenia maszynowego, statystyki i eksploracji danych. Umożliwia wydobywanie nowej wiedzy z istniejÄ…cych danych poprzez stosowanie odpowiednich algorytmów i analizy statystycznej. Stworzono dotÄ…d wiele algorytmów tej kategorii i wciąż powstajÄ… nowe. StanowiÄ… one podstawÄ™ konstruowania modeli umożliwiajÄ…cych wyodrÄ™bnianie okreÅ›lonych informacji z danych odzwierciedlajÄ…cych zjawiska zachodzÄ…ce w Å›wiecie rzeczywistym, pozwalajÄ… też na formuÅ‚owanie prognoz ich przebiegu w przyszÅ‚oÅ›ci. Algorytmy data science sÄ… postrzegane jako ogromna szansa na zdobycie przewagi konkurencyjnej, a ich znaczenie stale roÅ›nie.

Ta książka jest zwiÄ™zÅ‚ym przewodnikiem po algorytmach uczenia maszynowego. Jej cel jest prosty: w ciÄ…gu siedmiu dni masz opanować solidne podstawy siedmiu najważniejszych dla uczenia maszynowego algorytmów. Opisom poszczególnych algorytmów towarzyszÄ… przykÅ‚ady ich implementacji w jÄ™zyku Python, a praktyczne ćwiczenia, które znajdziesz na koÅ„cu każdego rozdziaÅ‚u, uÅ‚atwiÄ… Ci lepsze zrozumienie omawianych zagadnieÅ„. Co wiÄ™cej, dziÄ™ki książce nauczysz siÄ™ wÅ‚aÅ›ciwie identyfikować problemy z zakresu data science. W konsekwencji dobieranie odpowiednich metod i narzÄ™dzi do ich rozwiÄ…zywania okaże siÄ™ dużo Å‚atwiejsze.

W tej książce:

  • efektywne implementacje algorytmów uczenia maszynowego w jÄ™zyku Python
  • klasyfikacja danych przy użyciu twierdzenia Bayesa, drzew decyzyjnych i lasów losowych
  • podziaÅ‚ danych na klastery za pomocÄ… algorytmu k-Å›rednich
  • stosowanie analizy regresji w parametryzacji modeli przewidywaÅ„
  • analiza szeregów czasowych pod kÄ…tem trendów i sezonowoÅ›ci danych

Algorytmy data science: poznaj, zrozum, zastosuj!

Dodaj do koszyka Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II

 

Osoby które kupowały "Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II", wybierały także:

  • Zrozum struktury danych. Algorytmy i praca na danych w Javie
  • Projektowanie oprogramowania dla zupeÅ‚nie poczÄ…tkujÄ…cych. Owoce programowania. Wydanie V
  • Python na maturze. Kurs video. Algorytmy i podstawy j
  • Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
  • Tablice informatyczne. Algorytmy

Dodaj do koszyka Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II

Spis treści

Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II -- spis treści

  • O autorze
  • O recenzentach
  • Przedmowa
    • Do kogo kierujemy tÄ™ książkÄ™?
    • Co zawiera ta książka?
    • Jak najlepiej wykorzystać tÄ™ książkÄ™?
    • Kod przykÅ‚adowych programów
    • Konwencje typograficzne stosowane w książce
  • RozdziaÅ‚ 1. Klasyfikacja na podstawie najbliższego sÄ…siedztwa
    • Subiektywne odczuwanie temperatury
    • Implementacja algorytmu k najbliższych sÄ…siadów
      • Dane wejÅ›ciowe
      • Wynik klasyfikacji
      • Wizualizacja
    • Mapa WÅ‚och przykÅ‚ad doboru wartoÅ›ci k
      • Analiza
    • Skalowanie danych prognozowanie statusu wÅ‚asnoÅ›ci
      • Analiza
    • Nieeuklidesowe metryki odlegÅ‚oÅ›ci punktów klasyfikowanie tekstów
      • Analiza
    • Klasyfikowania tekstów ciÄ…g dalszy wielowymiarowy algorytm k-NN
      • Analiza
    • Podsumowanie
    • Problemy
      • Subiektywne odczuwanie temperatury
      • Mapa WÅ‚och przykÅ‚ad doboru wartoÅ›ci k
      • Status wÅ‚asnoÅ›ci
      • Analiza
  • RozdziaÅ‚ 2. Naiwny klasyfikator bayesowski
    • Testy medyczne podstawowe zastosowanie twierdzenia Bayesa
      • Analiza
    • Podstawowe twierdzenie Bayesa i jego rozszerzenie
      • Twierdzenie Bayesa
        • Dowód
      • Rozszerzone twierdzenie Bayesa
        • Dowód
    • Zagramy w szachy? niezależne zdarzenia warunkujÄ…ce
      • Analiza
    • Implementacja naiwnego klasyfikatora bayesowskiego
      • Dane wejÅ›ciowe
      • Wynik
    • Zagramy w szachy? częściowo zależne zdarzenia warunkujÄ…ce
      • Analiza
        • Dane wejÅ›ciowe
        • Wynik
    • ChÅ‚opak czy dziewczyna? twierdzenie Bayesa dla ciÄ…gÅ‚ych zmiennych losowych
      • Analiza
    • Podsumowanie
    • Problemy
      • Analiza
  • RozdziaÅ‚ 3. Drzewa decyzyjne
    • PÅ‚ywamy? reprezentowanie danych w postaci drzewa decyzyjnego
    • Elementy teorii informacji
      • Entropia informacyjna
        • PrzykÅ‚ad losowe rzucanie monetÄ…
        • Definicja
      • Zysk informacyjny
      • PÅ‚ywamy? obliczanie zysku informacyjnego
    • Algorytm ID3 konstruowanie drzewa decyzyjnego
      • PÅ‚ywamy? budowanie drzewa decyzyjnego
      • Implementacja w jÄ™zyku Python
        • Dane wejÅ›ciowe
        • Wynik
    • Klasyfikowanie danych za pomocÄ… drzew decyzyjnych
      • PrzykÅ‚ad pÅ‚ywamy czy nie?
    • PrzykÅ‚ad gra w szachy pod chmurkÄ…
      • Analiza
        • Dane wejÅ›ciowe
        • Wynikowe drzewo decyzyjne
        • Klasyfikacja
    • Na zakupy przykÅ‚ad niespójnych danych
      • Analiza
    • Podsumowanie
    • Problemy
      • Analiza
  • RozdziaÅ‚ 4. Lasy losowe
    • Ogólne zasady konstruowania lasów losowych
    • PÅ‚ywamy? klasyfikacja za pomocÄ… lasu losowego
      • Analiza
      • Konstruowanie lasu losowego
        • Losowe drzewo decyzyjne nr 0
        • Losowe drzewo decyzyjne nr 1
        • Wynikowy las losowy
      • Klasyfikowanie cechy na podstawie lasu losowego
    • Implementacja algorytmu konstruowania lasu losowego
      • Dane wejÅ›ciowe
      • Wynik
    • PrzykÅ‚ad zagramy w szachy?
      • Analiza
      • Konstruowanie lasu losowego
        • Losowe drzewo decyzyjne nr 0
        • Losowe drzewa decyzyjne nr 1, 2 i 3
        • Wynikowy las losowy
      • Klasyfikacja w drodze gÅ‚osowania
        • Dane wejÅ›ciowe
        • Wynik
    • Idziemy na zakupy? wnioskowanie z niespójnych danych i miara wiarygodnoÅ›ci wyniku
      • Analiza
        • Dane wejÅ›ciowe
        • Wynik
    • Podsumowanie
    • Problemy
      • Analiza
        • Dane wejÅ›ciowe
        • Wynik
  • RozdziaÅ‚ 5. Klasteryzacja
    • Dochód gospodarstwa domowego niski czy wysoki?
    • Algorytm k-Å›rednich
      • PoczÄ…tkowy zbiór centroidów
      • Wyznaczanie centroidu klastera
    • PrzykÅ‚ad wykorzystanie algorytmu k-Å›rednich do klasyfikacji dochodów
    • Klasyfikowanie przez klasteryzacjÄ™ prognozowanie pÅ‚ci nieznanej osoby
      • Analiza
    • Implementacja algorytmu k-Å›rednich
      • Dane wejÅ›ciowe
      • Wynik grupowania
    • Status wÅ‚asnoÅ›ci dobór optymalnej liczby klasterów
      • Analiza
        • Dane wejÅ›ciowe
        • Wynik podziaÅ‚ miÄ™dzy dwa klastery
        • Wynik podziaÅ‚ miÄ™dzy trzy klastery
        • Wynik podziaÅ‚ miÄ™dzy cztery klastery
        • Wynik podziaÅ‚ miÄ™dzy pięć klasterów
    • Klasyfikowanie dokumentów semantyczne znaczenie klasteryzacji
      • Analiza
        • Dane wejÅ›ciowe
        • Wynik podziaÅ‚ miÄ™dzy dwa klastery
        • Wynik podziaÅ‚ miÄ™dzy trzy klastery
        • Wynik podziaÅ‚ miÄ™dzy pięć klasterów
    • Podsumowanie
    • Problemy
      • Analiza
        • Dane wejÅ›ciowe
        • Dwa klastery
        • Trzy klastery
        • Cztery klastery
        • Pięć klasterów
        • Wybór optymalnej liczby klasterów przy użyciu walidacji krzyżowej
  • RozdziaÅ‚ 6. Analiza regresji
    • Konwersja temperatur regresja liniowa dla danych doskonaÅ‚ych
      • RozwiÄ…zanie analityczne
      • Metoda najmniejszych kwadratów w regresji liniowej
      • Implementacja analizy regresji liniowej w Pythonie
        • Kod programu
        • Wynik
        • Wizualizacja
    • Regresja dla danych pomiarowych prognozowanie wagi na podstawie wzrostu
      • Analiza
        • Kod programu
        • Wynik
    • Metoda spadku gradientowego i jej implementacja
      • Szczegóły algorytmu
      • Implementacja w Pythonie
        • Dane wejÅ›ciowe
        • Wynik
        • Wizualizacja porównanie z metodÄ… analitycznÄ…
    • Przewidywanie czasu przelotu na podstawie odlegÅ‚oÅ›ci
      • Analiza
        • Kod programu
        • Wynik
    • Obliczenia balistyczne model nieliniowy
      • Analiza
        • Kod programu
        • Wynik
    • Podsumowanie
    • Problemy
      • Analiza
        • Kod programu
        • Wynik
        • Wizualizacja
  • RozdziaÅ‚ 7. Analiza szeregów czasowych
    • Zysk w biznesie analiza trendu
      • Analiza
        • Kod programu
        • Wynik
        • Wizualizacja
      • Konkluzja
    • Sprzedaż w sklepie internetowym analiza sezonowoÅ›ci
      • Analiza
      • Analiza trendu
        • Kod programu
        • Wynik
        • Wizualizacja
      • Analiza sezonowoÅ›ci
        • Wizualizacja
    • Podsumowanie
    • Problemy
      • Analiza
        • Kod programu
        • Wynik
        • Wizualizacja
        • Wizualizacja
  • Dodatek A Podstawy jÄ™zyka Python
    • PrzykÅ‚ad
    • Komentarze
    • Typy danych
      • int
        • PrzykÅ‚ad example02_int.py
        • Wynik
      • float
        • PrzykÅ‚ad example03_float.py
        • Wynik
      • Napis
        • PrzykÅ‚ad example04_string.py
        • Wynik
      • Krotka
        • PrzykÅ‚ad example05_tuple.py
        • Wynik
      • Lista
        • PrzykÅ‚ad example06_list.py
        • Wynik
      • Zbiór
        • PrzykÅ‚ad example07_set.py
        • Wynik
      • SÅ‚ownik
        • PrzykÅ‚ad example08_dictionary.py
        • Wynik
    • PrzepÅ‚yw sterowania
      • Instrukcje warunkowe
        • PrzykÅ‚ad example09_if_else_elif.py
        • Wynik
      • PÄ™tla for
        • PrzykÅ‚ad example10_for_loop_range.py
        • Wynik
        • PrzykÅ‚ad example11_for_loop_list.py
        • Wynik
        • PrzykÅ‚ad example12_for_loop_set.py
        • Wynik
      • PÄ™tla while
        • PrzykÅ‚ad example13_while_loop.py
        • Wynik
      • Instrukcje break i continue
        • PrzykÅ‚ad example14_break_continue.py
        • Wynik
    • Funkcje
      • PrzykÅ‚ad example15_function.py
      • Wynik
    • WejÅ›cie-wyjÅ›cie programu
      • Argumenty wywoÅ‚ania programu
        • PrzykÅ‚ad example16_arguments.py
        • Wynik
      • Operacje na plikach
        • PrzykÅ‚ad example17_file.py
        • Wynik
  • Dodatek B Statystyka
    • Podstawowe koncepcje
      • Notacja
      • Podstawowe pojÄ™cia
    • Wnioskowanie bayesowskie
    • RozkÅ‚ad normalny Gaussa
    • Walidacja krzyżowa
    • Testowanie A/B
  • Dodatek C SÅ‚ownik pojęć, algorytmów i metod Data Science

Dodaj do koszyka Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.