Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji - Helion
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)
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
- głębokie sieci przekonań
- zaawansowane algorytmy: TD(tylda), aktor-krytyk, SARSA i Q-uczenie
Uczenie maszynowe — już dziÅ› zaimplementuj rozwiÄ…zania przyszÅ‚oÅ›ci!
Osoby które kupowały "Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji", 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 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
- Przykładowe funkcje kosztu 43
- Regularyzacja 45
- Podsumowanie 50
Rozdział 2. Wprowadzenie do uczenia półnadzorowanego 51
- Uczenie półnadzorowane 52
- Uczenie transdukcyjne 53
- Uczenie indukcyjne 53
- Założenia w uczeniu półnadzorowanym 53
- Generatywne mieszaniny gaussowskie 56
- Przykład generatywnej mieszaniny gaussowskiej 58
- Algorytm kontrastowy pesymistycznego szacowania wiarygodności 63
- Przykład zastosowania algorytmu CPLE 65
- Półnadzorowane maszyny wektorów nośnych (S3VM) 68
- Przykładowy algorytm maszyny S3VM 71
- Transdukcyjne maszyny wektorów nośnych 76
- Przykład maszyny TSVM 77
- Podsumowanie 82
Rozdział 3. Uczenie półnadzorowane bazujące na grafach 85
- Propagacja etykiet 86
- Przykład zastosowania algorytmu propagacji etykiet 89
- Propagacja etykiet w bibliotece Scikit-Learn 91
- Rozprzestrzenianie etykiet 94
- Przykład zastosowania algorytmu rozprzestrzeniania etykiet 95
- Propagacja etykiet na bazie błądzenia losowego Markowa 97
- Przykład propagacji etykiet na podstawie błądzenia losowego Markowa 98
- Uczenie rozmaitościowe 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
- Prawdopodobieństwa warunkowe i twierdzenie Bayesa 116
- Sieci bayesowskie 118
- Próbkowanie w sieci bayesowskiej 119
- Przykład próbkowania za pomocą 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
- Przykład szacowania parametrów 151
- Mieszanina gaussowska 154
- Przykład implementacji algorytmu mieszanin gaussowskich w bibliotece Scikit-Learn 157
- Analiza czynnikowa (FA) 159
- Przykład zastosowania analizy czynnikowej w bibliotece Scikit-Learn 164
- Analiza głównych składowych (PCA) 167
- Przykład zastosowania analizy PCA w bibliotece Scikit-Learn 173
- Analiza składowych niezależnych (ICA) 175
- Przykładowa implementacja algorytmu FastICA w bibliotece Scikit-Learn 178
- Jeszcze słowo o ukrytych modelach Markowa 180
- Podsumowanie 181
Rozdział 6. Uczenie hebbowskie i mapy samoorganizujące 183
- Reguła Hebba 184
- Analiza reguły kowariancji 188
- Stabilizacja wektora wag i reguła Oji 192
- Sieć Sangera 193
- Przykład zastosowania sieci Sangera 196
- Sieć Rubnera-Tavana 199
- Przykład zastosowania sieci Rubnera-Tavana 203
- Mapy samoorganizujÄ…ce 205
- Przykład zastosowania mapy SOM 208
- Podsumowanie 211
Rozdział 7. Algorytmy klasteryzacji 213
- Algorytm k-najbliższych sąsiadów 213
- Drzewa KD 217
- Drzewa kuliste 218
- Przykład zastosowania algorytmu KNN w bibliotece Scikit-Learn 220
- Algorytm centroidów 223
- Algorytm k-means++ 225
- Przykład zastosowania algorytmu centroidów w bibliotece Scikit-Learn 227
- Algorytm rozmytych c-średnich 235
- Przykład zastosowania algorytmu rozmytych c-średnich w bibliotece Scikit-Fuzzy 239
- Klasteryzacja widmowa 242
- Przykład zastosowania klasteryzacji widmowej w bibliotece Scikit-Learn 246
- Podsumowanie 248
Rozdział 8. Uczenie zespołowe 249
- Podstawy uczenia zespołów 249
- Lasy losowe 251
- Przykład zastosowania lasu losowego w bibliotece Scikit-Learn 257
- Algorytm AdaBoost 260
- AdaBoost.SAMME 264
- AdaBoost.SAMME.R 266
- AdaBoost.R2 268
- Przykład zastosowania algorytmu AdaBoost w bibliotece Scikit-Learn 271
- Wzmacnianie gradientowe 275
- Przykład wzmacniania gradientowego drzew w bibliotece Scikit-Learn 279
- Zespoły klasyfikatorów głosujących 282
- Przykład zastosowania klasyfikatorów głosujących 283
- Uczenie zespołowe jako technika doboru modeli 285
- Podsumowanie 286
Rozdział 9. Sieci neuronowe w uczeniu maszynowym 287
- Podstawowy sztuczny neuron 288
- Perceptron 289
- Przykład zastosowania perceptronu w bibliotece Scikit-Learn 292
- Perceptrony wielowarstwowe 295
- Funkcje aktywacji 296
- Algorytm propagacji wstecznej 299
- Przykład 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
- Przykład zastosowania normalizacji wsadowej w bibliotece Keras 328
- Podsumowanie 330
Rozdział 10. Zaawansowane modele neuronowe 333
- Głębokie sieci splotowe 334
- Operacje splotu 335
- Warstwy Å‚Ä…czÄ…ce 344
- Inne przydatne warstwy 347
- Przykłady stosowania głębokich sieci splotowych w bibliotece Keras 348
- Sieci rekurencyjne 356
- Algorytm propagacji wstecznej w czasie (BPTT) 357
- Jednostki LSTM 360
- Jednostki GRU 365
- Przykład zastosowania sieci LSTM w bibliotece Keras 367
- Uczenie transferowe 371
- Podsumowanie 373
Rozdział 11. Autokodery 375
- Autokodery 375
- Przykład głębokiego autokodera splotowego w bibliotece TensorFlow 377
- Autokodery odszumiajÄ…ce 381
- Autokodery rzadkie 384
- Autokodery wariacyjne 386
- Przykład stosowania autokodera wariacyjnego w bibliotece TensorFlow 389
- Podsumowanie 391
Rozdział 12. Generatywne sieci przeciwstawne 393
- Uczenie przeciwstawne 393
- Przykład zastosowania sieci DCGAN w bibliotece TensorFlow 397
- Sieć Wassersteina (WGAN) 403
- Przykład 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
- Przykład stosowania nienadzorowanej sieci DBN w środowisku Python 417
- Przykład stosowania nadzorowanej sieci DBN w środowisku 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 środowisku szachownicy 434
- Iteracja wartości 438
- Iteracja wartości w środowisku szachownicy 439
- Algorytm TD(0) 442
- Algorytm TD(0) w środowisku 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 środowisku szachownicy 462
- Algorytm SARSA 467
- Algorytm SARSA w środowisku szachownicy 469
- Q-uczenie 472
- Algorytm Q-uczenia w środowisku szachownicy 473
- Algorytm Q-uczenia za pomocÄ… sieci neuronowej 475
- Podsumowanie 482
Skorowidz 485