Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II - Helion

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: 29,40 zł (poprzednio: 49,00 zł)
Oszczędzasz: 40% (-19,60 zł)

Pobierz fragment książki » Osoby, które kupiły tę książkę, wybierały także »

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

Data science jest interdyscyplinarną dziedziną naukową łączącą osiągnięcia uczenia maszynowego, statystyki i eksploracji danych. Umożliwia wydobywanie nowej wiedzy z istniejących danych poprzez stosowanie odpowiednich algorytmów i analizy statystycznej. Stworzono dotąd wiele algorytmów tej kategorii i wciąż powstają nowe. Stanowią one podstawę konstruowania modeli umożliwiających wyodrębnianie określonych informacji z danych odzwierciedlających zjawiska zachodzące w świecie rzeczywistym, pozwalają też na formułowanie prognoz ich przebiegu w przyszłości. Algorytmy data science są postrzegane jako ogromna szansa na zdobycie przewagi konkurencyjnej, a ich znaczenie stale rośnie.

Ta książka jest zwięzłym przewodnikiem po algorytmach uczenia maszynowego. Jej cel jest prosty: w ciągu siedmiu dni masz opanować solidne podstawy siedmiu najważniejszych dla uczenia maszynowego algorytmów. Opisom poszczególnych algorytmów towarzyszą przykłady ich implementacji w języku Python, a praktyczne ćwiczenia, które znajdziesz na końcu każdego rozdziału, ułatwią Ci lepsze zrozumienie omawianych zagadnień. Co więcej, dzięki książce nauczysz się właściwie identyfikować problemy z zakresu data science. W konsekwencji dobieranie odpowiednich metod i narzędzi do ich rozwiązywania okaże się dużo łatwiejsze.

W tej książce:

efektywne implementacje algorytmów uczenia maszynowego w języku Python
klasyfikacja danych przy użyciu twierdzenia Bayesa, drzew decyzyjnych i lasów losowych
podział danych na klastery za pomocą algorytmu k-średnich
stosowanie analizy regresji w parametryzacji modeli przewidywań
analiza szeregów czasowych pod kątem trendów i sezonowości danych

Algorytmy data science: poznaj, zrozum, zastosuj!

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

Python na maturze. Kurs video. Algorytmy i podstawy j 135,14 zł, (48,65 zł -64%)
Algorytmy kryptograficzne. Przewodnik po algorytmach w blockchain, kryptografii kwantowej, protoko 79,00 zł, (39,50 zł -50%)
Informatyk samouk. Przewodnik po strukturach danych i algorytmach dla pocz 58,98 zł, (29,49 zł -50%)
My 89,00 zł, (44,50 zł -50%)
Nauka algorytm 58,98 zł, (29,49 zł -50%)

Spis treści

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

O autorze
O recenzentach
Przedmowa
- Do kogo kierujemy tę książkę?
- Co zawiera ta książka?
- Jak najlepiej wykorzystać tę książkę?
- Kod przykładowych programów
- Konwencje typograficzne stosowane w książce
Rozdział 1. Klasyfikacja na podstawie najbliższego sąsiedztwa
- Subiektywne odczuwanie temperatury
- Implementacja algorytmu k najbliższych sąsiadów
  - Dane wejściowe
  - Wynik klasyfikacji
  - Wizualizacja
- Mapa Włoch przykład doboru wartości k
  - Analiza
- Skalowanie danych prognozowanie statusu własności
  - Analiza
- Nieeuklidesowe metryki odległości punktów klasyfikowanie tekstów
  - Analiza
- Klasyfikowania tekstów ciąg dalszy wielowymiarowy algorytm k-NN
  - Analiza
- Podsumowanie
- Problemy
  - Subiektywne odczuwanie temperatury
  - Mapa Włoch przykład doboru wartości k
  - Status własności
  - Analiza
Rozdział 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 warunkujące
  - Analiza
- Implementacja naiwnego klasyfikatora bayesowskiego
  - Dane wejściowe
  - Wynik
- Zagramy w szachy? częściowo zależne zdarzenia warunkujące
  - Analiza
    - Dane wejściowe
    - Wynik
- Chłopak czy dziewczyna? twierdzenie Bayesa dla ciągłych zmiennych losowych
  - Analiza
- Podsumowanie
- Problemy
  - Analiza
Rozdział 3. Drzewa decyzyjne
- Pływamy? reprezentowanie danych w postaci drzewa decyzyjnego
- Elementy teorii informacji
  - Entropia informacyjna
    - Przykład losowe rzucanie monetą
    - Definicja
  - Zysk informacyjny
  - Pływamy? obliczanie zysku informacyjnego
- Algorytm ID3 konstruowanie drzewa decyzyjnego
  - Pływamy? budowanie drzewa decyzyjnego
  - Implementacja w języku Python
    - Dane wejściowe
    - Wynik
- Klasyfikowanie danych za pomocą drzew decyzyjnych
  - Przykład pływamy czy nie?
- Przykład gra w szachy pod chmurką
  - Analiza
    - Dane wejściowe
    - Wynikowe drzewo decyzyjne
    - Klasyfikacja
- Na zakupy przykład niespójnych danych
  - Analiza
- Podsumowanie
- Problemy
  - Analiza
Rozdział 4. Lasy losowe
- Ogólne zasady konstruowania lasów losowych
- Pływamy? klasyfikacja za pomocą 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 wejściowe
  - Wynik
- Przykład 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 głosowania
    - Dane wejściowe
    - Wynik
- Idziemy na zakupy? wnioskowanie z niespójnych danych i miara wiarygodności wyniku
  - Analiza
    - Dane wejściowe
    - Wynik
- Podsumowanie
- Problemy
  - Analiza
    - Dane wejściowe
    - Wynik
Rozdział 5. Klasteryzacja
- Dochód gospodarstwa domowego niski czy wysoki?
- Algorytm k-średnich
  - Początkowy zbiór centroidów
  - Wyznaczanie centroidu klastera
- Przykład wykorzystanie algorytmu k-średnich do klasyfikacji dochodów
- Klasyfikowanie przez klasteryzację prognozowanie płci nieznanej osoby
  - Analiza
- Implementacja algorytmu k-średnich
  - Dane wejściowe
  - Wynik grupowania
- Status własności dobór optymalnej liczby klasterów
  - Analiza
    - Dane wejściowe
    - Wynik podział między dwa klastery
    - Wynik podział między trzy klastery
    - Wynik podział między cztery klastery
    - Wynik podział między pięć klasterów
- Klasyfikowanie dokumentów semantyczne znaczenie klasteryzacji
  - Analiza
    - Dane wejściowe
    - Wynik podział między dwa klastery
    - Wynik podział między trzy klastery
    - Wynik podział między pięć klasterów
- Podsumowanie
- Problemy
  - Analiza
    - Dane wejściowe
    - Dwa klastery
    - Trzy klastery
    - Cztery klastery
    - Pięć klasterów
    - Wybór optymalnej liczby klasterów przy użyciu walidacji krzyżowej
Rozdział 6. Analiza regresji
- Konwersja temperatur regresja liniowa dla danych doskonałych
  - Rozwiązanie 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 wejściowe
    - Wynik
    - Wizualizacja porównanie z metodą analityczną
- Przewidywanie czasu przelotu na podstawie odległości
  - Analiza
    - Kod programu
    - Wynik
- Obliczenia balistyczne model nieliniowy
  - Analiza
    - Kod programu
    - Wynik
- Podsumowanie
- Problemy
  - Analiza
    - Kod programu
    - Wynik
    - Wizualizacja
Rozdział 7. Analiza szeregów czasowych
- Zysk w biznesie analiza trendu
  - Analiza
    - Kod programu
    - Wynik
    - Wizualizacja
  - Konkluzja
- Sprzedaż w sklepie internetowym analiza sezonowości
  - Analiza
  - Analiza trendu
    - Kod programu
    - Wynik
    - Wizualizacja
  - Analiza sezonowości
    - Wizualizacja
- Podsumowanie
- Problemy
  - Analiza
    - Kod programu
    - Wynik
    - Wizualizacja
    - Wizualizacja
Dodatek A Podstawy języka Python
- Przykład
- Komentarze
- Typy danych
  - int
    - Przykład example02_int.py
    - Wynik
  - float
    - Przykład example03_float.py
    - Wynik
  - Napis
    - Przykład example04_string.py
    - Wynik
  - Krotka
    - Przykład example05_tuple.py
    - Wynik
  - Lista
    - Przykład example06_list.py
    - Wynik
  - Zbiór
    - Przykład example07_set.py
    - Wynik
  - Słownik
    - Przykład example08_dictionary.py
    - Wynik
- Przepływ sterowania
  - Instrukcje warunkowe
    - Przykład example09_if_else_elif.py
    - Wynik
  - Pętla for
    - Przykład example10_for_loop_range.py
    - Wynik
    - Przykład example11_for_loop_list.py
    - Wynik
    - Przykład example12_for_loop_set.py
    - Wynik
  - Pętla while
    - Przykład example13_while_loop.py
    - Wynik
  - Instrukcje break i continue
    - Przykład example14_break_continue.py
    - Wynik
- Funkcje
  - Przykład example15_function.py
  - Wynik
- Wejście-wyjście programu
  - Argumenty wywołania programu
    - Przykład example16_arguments.py
    - Wynik
  - Operacje na plikach
    - Przykład example17_file.py
    - Wynik
Dodatek B Statystyka
- Podstawowe koncepcje
  - Notacja
  - Podstawowe pojęcia
- Wnioskowanie bayesowskie
- Rozkład normalny Gaussa
- Walidacja krzyżowa
- Testowanie A/B
Dodatek C Słownik pojęć, algorytmów i metod Data Science