reklama - zainteresowany?

Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji - Helion

Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
Autor: Giuseppe Bonaccorso
Tytuł oryginału: Mastering Machine Learning Algorithms: Expert techniques to implement popular machine learning algorithms and fine-tune your models
TÅ‚umaczenie: Beata Pawlak, Krzysztof Sawka
ISBN: 978-83-283-5245-2
stron: 555, Format: 168x237, okładka: miękka
Data wydania: 2019-03-01
Księgarnia: Helion

Cena książki: 66,75 zł (poprzednio: 89,00 zł)
Oszczędzasz: 25% (-22,25 zł)

Dodaj do koszyka Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji

Tagi: Algorytmy - Programowanie | Uczenie maszynowe

ImponujÄ…cy rozwój standardowych algorytmów przy ciÄ…gÅ‚ej obniżce cen sprzÄ™tu i udostÄ™pnianiu coraz to szybszych komponentów przyczyniÅ‚ siÄ™ do zrewolucjonizowania wielu gaÅ‚Ä™zi przemysÅ‚u. Obecnie uczenie maszynowe pozwala automatyzować procesy, które do niedawna musiaÅ‚y być zarzÄ…dzane przez czÅ‚owieka. Zadania, które jeszcze dekadÄ™ temu stanowiÅ‚y nieprzekraczalnÄ… przeszkodÄ™, dziÅ› sÄ… wykonywane przez zwykÅ‚y komputer osobisty. W efekcie dziÄ™ki technologii oraz dostÄ™pnym wysokopoziomowym otwartym platformom każdy, kto zainteresuje siÄ™ uczeniem maszynowym, może projektować i wdrażać niezwykle potężne modele.

Celem tej książki jest przybliżenie profesjonalistom tajników zÅ‚ożonych algorytmów uczenia maszynowego i zasad ich stosowania w praktyce. Poza praktycznymi informacjami dotyczÄ…cymi dziaÅ‚ania algorytmów i ich wdrożeÅ„ znalazÅ‚y siÄ™ tu również niezbÄ™dne podstawy teoretyczne. Opisano klasyczne modele uczenia nadzorowanego, nienadzorowanego i póÅ‚nadzorowanego. Wskazano, w jakich sytuacjach okazujÄ… siÄ™ one najbardziej przydatne. Zaprezentowano techniki wydobywania danych za pomocÄ… modeli bayesowskich, algorytmu MCMC, a także dziÄ™ki stosowaniu ukrytych modeli Markowa. Omówiono zestaw przydatnych do uczenia maszynowego narzÄ™dzi, takich jak biblioteki: scikit-learn, Keras i TensorFlow.

Najciekawsze zagadnienia:

  • najważniejsze koncepcje teoretyczne uczenia maszynowego
  • modelowanie probabilistyczne i uczenie hebbowskie
  • zaawansowane koncepcje modeli neuronowych
  • modele generatywne, takie jak splotowe sieci GAN i sieci Wassersteina
  • gÅ‚Ä™bokie sieci przekonaÅ„
  • zaawansowane algorytmy: TD(tylda), aktor-krytyk, SARSA i Q-uczenie

Uczenie maszynowe — już dziÅ› zaimplementuj rozwiÄ…zania przyszÅ‚oÅ›ci!

Dodaj do koszyka Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji

 

Osoby które kupowały "Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji", wybierały także:

  • Python na maturze. Kurs video. Algorytmy i podstawy j
  • Algorytmy kryptograficzne. Przewodnik po algorytmach w blockchain, kryptografii kwantowej, protoko
  • Informatyk samouk. Przewodnik po strukturach danych i algorytmach dla pocz
  • My
  • Nauka algorytm

Dodaj do koszyka Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji

Spis treści

Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji -- spis treści


O autorze 11

O recenzencie 12

Przedmowa 13

Rozdział 1. Podstawy modelu uczenia maszynowego 19

  • Modele a dane 20
    • Åšrodkowanie i wybielanie 21
    • Zbiory uczÄ…ce i walidacyjne 24
  • Cechy modelu uczenia maszynowego 29
    • Pojemność modelu 29
    • Obciążenie estymatora 32
    • Wariancja estymatora 35
  • Funkcje straty i kosztu 39
    • PrzykÅ‚adowe funkcje kosztu 43
    • Regularyzacja 45
  • Podsumowanie 50

Rozdział 2. Wprowadzenie do uczenia półnadzorowanego 51

  • Uczenie półnadzorowane 52
    • Uczenie transdukcyjne 53
    • Uczenie indukcyjne 53
    • ZaÅ‚ożenia w uczeniu półnadzorowanym 53
  • Generatywne mieszaniny gaussowskie 56
    • PrzykÅ‚ad generatywnej mieszaniny gaussowskiej 58
  • Algorytm kontrastowy pesymistycznego szacowania wiarygodnoÅ›ci 63
    • PrzykÅ‚ad zastosowania algorytmu CPLE 65
  • Półnadzorowane maszyny wektorów noÅ›nych (S3VM) 68
    • PrzykÅ‚adowy algorytm maszyny S3VM 71
  • Transdukcyjne maszyny wektorów noÅ›nych 76
    • PrzykÅ‚ad maszyny TSVM 77
  • Podsumowanie 82

Rozdział 3. Uczenie półnadzorowane bazujące na grafach 85

  • Propagacja etykiet 86
    • PrzykÅ‚ad zastosowania algorytmu propagacji etykiet 89
    • Propagacja etykiet w bibliotece Scikit-Learn 91
  • Rozprzestrzenianie etykiet 94
    • PrzykÅ‚ad zastosowania algorytmu rozprzestrzeniania etykiet 95
  • Propagacja etykiet na bazie bÅ‚Ä…dzenia losowego Markowa 97
    • PrzykÅ‚ad propagacji etykiet na podstawie bÅ‚Ä…dzenia losowego Markowa 98
  • Uczenie rozmaitoÅ›ciowe 101
    • Algorytm Isomap 102
    • Osadzanie lokalnie liniowe 106
    • Osadzanie widmowe Laplace'a 109
  • Algorytm t-SNE 111
  • Podsumowanie 113

Rozdział 4. Sieci bayesowskie i ukryte modele Markowa 115

  • PrawdopodobieÅ„stwa warunkowe i twierdzenie Bayesa 116
  • Sieci bayesowskie 118
    • Próbkowanie w sieci bayesowskiej 119
    • PrzykÅ‚ad próbkowania za pomocÄ… biblioteki PyMC3 129
  • Ukryte modele Markowa 133
    • Algorytm wnioskowania ekstrapolacyjno-interpolacyjnego 134
    • Algorytm Viterbiego 141
  • Podsumowanie 144

Rozdział 5. Algorytm EM i jego zastosowania 145

  • Uczenie metodami MLE i MAP 146
  • Algorytm EM 148
    • PrzykÅ‚ad szacowania parametrów 151
  • Mieszanina gaussowska 154
    • PrzykÅ‚ad implementacji algorytmu mieszanin gaussowskich w bibliotece Scikit-Learn 157
  • Analiza czynnikowa (FA) 159
    • PrzykÅ‚ad zastosowania analizy czynnikowej w bibliotece Scikit-Learn 164
  • Analiza głównych skÅ‚adowych (PCA) 167
    • PrzykÅ‚ad zastosowania analizy PCA w bibliotece Scikit-Learn 173
  • Analiza skÅ‚adowych niezależnych (ICA) 175
    • PrzykÅ‚adowa implementacja algorytmu FastICA w bibliotece Scikit-Learn 178
  • Jeszcze sÅ‚owo o ukrytych modelach Markowa 180
  • Podsumowanie 181

Rozdział 6. Uczenie hebbowskie i mapy samoorganizujące 183

  • ReguÅ‚a Hebba 184
    • Analiza reguÅ‚y kowariancji 188
    • Stabilizacja wektora wag i reguÅ‚a Oji 192
  • Sieć Sangera 193
    • PrzykÅ‚ad zastosowania sieci Sangera 196
  • Sieć Rubnera-Tavana 199
    • PrzykÅ‚ad zastosowania sieci Rubnera-Tavana 203
  • Mapy samoorganizujÄ…ce 205
    • PrzykÅ‚ad zastosowania mapy SOM 208
  • Podsumowanie 211

Rozdział 7. Algorytmy klasteryzacji 213

  • Algorytm k-najbliższych sÄ…siadów 213
    • Drzewa KD 217
    • Drzewa kuliste 218
    • PrzykÅ‚ad zastosowania algorytmu KNN w bibliotece Scikit-Learn 220
  • Algorytm centroidów 223
    • Algorytm k-means++ 225
    • PrzykÅ‚ad zastosowania algorytmu centroidów w bibliotece Scikit-Learn 227
  • Algorytm rozmytych c-Å›rednich 235
    • PrzykÅ‚ad zastosowania algorytmu rozmytych c-Å›rednich w bibliotece Scikit-Fuzzy 239
  • Klasteryzacja widmowa 242
    • PrzykÅ‚ad zastosowania klasteryzacji widmowej w bibliotece Scikit-Learn 246
  • Podsumowanie 248

Rozdział 8. Uczenie zespołowe 249

  • Podstawy uczenia zespołów 249
  • Lasy losowe 251
    • PrzykÅ‚ad zastosowania lasu losowego w bibliotece Scikit-Learn 257
  • Algorytm AdaBoost 260
    • AdaBoost.SAMME 264
    • AdaBoost.SAMME.R 266
    • AdaBoost.R2 268
    • PrzykÅ‚ad zastosowania algorytmu AdaBoost w bibliotece Scikit-Learn 271
  • Wzmacnianie gradientowe 275
    • PrzykÅ‚ad wzmacniania gradientowego drzew w bibliotece Scikit-Learn 279
  • ZespoÅ‚y klasyfikatorów gÅ‚osujÄ…cych 282
    • PrzykÅ‚ad zastosowania klasyfikatorów gÅ‚osujÄ…cych 283
  • Uczenie zespoÅ‚owe jako technika doboru modeli 285
  • Podsumowanie 286

Rozdział 9. Sieci neuronowe w uczeniu maszynowym 287

  • Podstawowy sztuczny neuron 288
  • Perceptron 289
    • PrzykÅ‚ad zastosowania perceptronu w bibliotece Scikit-Learn 292
  • Perceptrony wielowarstwowe 295
    • Funkcje aktywacji 296
    • Algorytm propagacji wstecznej 299
    • PrzykÅ‚ad zastosowania sieci MLP w bibliotece Keras 307
  • Algorytmy optymalizacji 311
    • Perturbacja gradientu 312
    • Algorytmy momentum i Nesterova 312
    • RMSProp 313
    • Adam 315
    • AdaGrad 316
    • AdaDelta 317
  • Regularyzacja i porzucanie 318
    • Porzucanie 320
  • Normalizacja wsadowa 326
    • PrzykÅ‚ad zastosowania normalizacji wsadowej w bibliotece Keras 328
  • Podsumowanie 330

Rozdział 10. Zaawansowane modele neuronowe 333

  • GÅ‚Ä™bokie sieci splotowe 334
    • Operacje splotu 335
    • Warstwy Å‚Ä…czÄ…ce 344
    • Inne przydatne warstwy 347
    • PrzykÅ‚ady stosowania gÅ‚Ä™bokich sieci splotowych w bibliotece Keras 348
  • Sieci rekurencyjne 356
    • Algorytm propagacji wstecznej w czasie (BPTT) 357
    • Jednostki LSTM 360
    • Jednostki GRU 365
    • PrzykÅ‚ad zastosowania sieci LSTM w bibliotece Keras 367
  • Uczenie transferowe 371
  • Podsumowanie 373

Rozdział 11. Autokodery 375

  • Autokodery 375
    • PrzykÅ‚ad gÅ‚Ä™bokiego autokodera splotowego w bibliotece TensorFlow 377
    • Autokodery odszumiajÄ…ce 381
    • Autokodery rzadkie 384
  • Autokodery wariacyjne 386
    • PrzykÅ‚ad stosowania autokodera wariacyjnego w bibliotece TensorFlow 389
  • Podsumowanie 391

Rozdział 12. Generatywne sieci przeciwstawne 393

  • Uczenie przeciwstawne 393
    • PrzykÅ‚ad zastosowania sieci DCGAN w bibliotece TensorFlow 397
  • Sieć Wassersteina (WGAN) 403
    • PrzykÅ‚ad zastosowania sieci WGAN w bibliotece TensorFlow 405
  • Podsumowanie 408

Rozdział 13. Głębokie sieci przekonań 409

  • Losowe pola Markowa 410
  • Ograniczone maszyny Boltzmanna 411
  • Sieci DBN 415
    • PrzykÅ‚ad stosowania nienadzorowanej sieci DBN w Å›rodowisku Python 417
    • PrzykÅ‚ad stosowania nadzorowanej sieci DBN w Å›rodowisku Python 420
  • Podsumowanie 422

Rozdział 14. Wstęp do uczenia przez wzmacnianie 423

  • Podstawowe terminy w uczeniu przez wzmacnianie 423
    • Åšrodowisko 425
    • Polityka 429
  • Iteracja polityki 430
    • Iteracja polityki w Å›rodowisku szachownicy 434
  • Iteracja wartoÅ›ci 438
    • Iteracja wartoÅ›ci w Å›rodowisku szachownicy 439
  • Algorytm TD(0) 442
    • Algorytm TD(0) w Å›rodowisku szachownicy 445
  • Podsumowanie 448

Rozdział 15. Zaawansowane algorytmy szacowania polityki 451

  • Algorytm TD(λ) 452
    • Algorytm TD(λ) w bardziej skomplikowanym Å›rodowisku szachownicy 456
    • Algorytm aktor-krytyk TD(0) w Å›rodowisku szachownicy 462
  • Algorytm SARSA 467
    • Algorytm SARSA w Å›rodowisku szachownicy 469
  • Q-uczenie 472
    • Algorytm Q-uczenia w Å›rodowisku szachownicy 473
    • Algorytm Q-uczenia za pomocÄ… sieci neuronowej 475
  • Podsumowanie 482

Skorowidz 485

Dodaj do koszyka Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji

Code, Publish & WebDesing by CATALIST.com.pl



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