Uczenie maszynowe kojarzy si

Osoby które kupowały "Machine learning, Python i data science. Wprowadzenie", wybierały także:

• Matematyka. Kurs video. Teoria dla programisty i data science 399,00 zł, (39,90 zł -90%)
• Matematyka. Kurs video. 285,00 zł, (39,90 zł -86%)
• Matematyka dyskretna. Kurs video. Kombinatoryka i teoria liczb z 234,71 zł, (39,90 zł -83%)
• PLC i TIA Portal. Kurs video. Techniki programowania SIMATIC S7-1200 234,71 zł, (39,90 zł -83%)
• PLC i TIA Portal. Kurs video. Logika sterowania w automatyce przemys 234,71 zł, (39,90 zł -83%)

Spis treści

Machine learning, Python i data science. Wprowadzenie eBook -- spis treści

Przedmowa 7

1. Wprowadzenie 13

• Dlaczego uczenie maszynowe? 13
  
  • Problemy, które może rozwiązać uczenie maszynowe 14
  • Znajomość zadania i znajomość danych 16
• Dlaczego Python? 17
• scikit-learn 17
  
  • Instalacja scikit-learn 17
• Podstawowe biblioteki i narzędzia 18
  
  • Jupyter Notebook 18
  • NumPy 19
  • SciPy 19
  • matplotlib 20
  • pandas 21
  • mglearn 22
• Python 2 a Python 3 22
• Wersje użyte w tej książce 23
• Pierwsza aplikacja: klasyfikacja gatunków irysa 24
  
  • Zapoznaj się z danymi 25
  • Sprawdzanie osiągnięcia sukcesu: dane treningowe i testowe 27
  • Najpierw najważniejsze: zapoznaj się z danymi 28
  • Budowa pierwszego modelu: k-najbliżsi sąsiedzi 30
  • Przewidywania 31
  • Ocena modelu 32
• Podsumowanie i przegląd 32

2. Nadzorowane uczenie maszynowe 35

• Klasyfikacja i regresja 35
• Uogólnianie, nadmierne dopasowanie i niedopasowanie 36
  
  • Relacja złożoności modelu do rozmiaru zestawu danych 38
• Nadzorowane algorytmy uczenia maszynowego 39
  
  • Przykładowe zestawy danych 39
  • k-najbliższych sąsiadów 43
  • Modele liniowe 50
  • Naiwne klasyfikatory Bayesa 69
  • Drzewa decyzyjne 70
  • Zespoły drzew decyzyjnych 81
  • Maszyny wektorów nośnych 88
  • Sieci neuronowe (głębokie uczenie) 98
• Szacunki niepewności na podstawie klasyfikatorów 109
  
  • Funkcja decyzyjna 110
  • Prognozy prawdopodobieństw 112
  • Niepewność w klasyfikacji wieloklasowej 114
• Podsumowanie i przegląd 116

3. Uczenie nienadzorowane i przetwarzanie wstępne 119

• Rodzaje nienadzorowanego uczenia maszynowego 119
• Wyzwania związane z uczeniem nienadzorowanym 120
• Przetwarzanie wstępne i skalowanie 120
  
  • Różne rodzaje przetwarzania wstępnego 121
  • Zastosowanie transformacji danych 122
  • Skalowanie danych treningowych i testowych w ten sam sposób 124
  • Wpływ przetwarzania wstępnego na uczenie nadzorowane 126
• Redukcja wymiarowości, wyodrębnianie cech i wielorakie uczenie 127
  
  • Analiza głównych komponentów (PCA) 127
  • Nieujemna faktoryzacja macierzy (NMF) 140
  • Manifold learning z t-SNE 146
• Grupowanie 150
  
  • Grupowanie k-średnich 150
  • Grupowanie aglomeracyjne 160
  • DBSCAN 164
  • Porównanie i ocena algorytmów grupowania 168
  • Podsumowanie metod grupowania 181
• Podsumowanie i przegląd 181

4. Reprezentacja danych i cechy inżynierskie 183

• Zmienne kategorialne 184
  
  • Kodowanie jeden-z-N (zmienne fikcyjne) 185
  • Liczby mogą kodować zmienne kategorialne 189
• Dzielenie, dyskretyzacja, modele liniowe i drzewa 190
• Interakcje i wielomiany 194
• Jednowymiarowe transformacje nieliniowe 200
• Automatyczny wybór cechy 203
  
  • Statystyki jednoczynnikowe 203
  • Wybór cechy na podstawie modelu 205
  • Iteracyjny wybór cech 206
• Wykorzystanie wiedzy eksperckiej 208
• Podsumowanie i przegląd 215

5. Ocena i doskonalenie modelu 217

• Walidacja krzyżowa 218
  
  • Walidacja krzyżowa w scikit-learn 218
  • Korzyści z walidacji krzyżowej 219
  • Stratyfikowana k-krotna walidacja krzyżowa i inne strategie 220
• Przeszukiwanie siatki 225
  
  • Proste przeszukiwanie siatki 226
  • Nadmierne dopasowanie parametrów i zestaw walidacyjny 226
  • Przeszukiwanie siatki z walidacją krzyżową 228
• Wskaźniki oceny i punktacja 238
  
  • Pamiętaj o celu 239
  • Metryki klasyfikacji binarnej 239
  • Metryki klasyfikacji wieloklasowej 257
  • Metryki regresji 260
  • Używanie metryk oceny w wyborze modelu 260
• Podsumowanie i przegląd 262

6. Łańcuchy algorytmów i potoki 263

• Wybór parametrów z przetwarzaniem wstępnym 264
• Tworzenie potoków 265
• Używanie potoków w przeszukiwaniu siatki 266
• Ogólny interfejs potoku 269
  
  • Wygodne tworzenie potoków za pomocą funkcji make_pipeline 270
  • Dostęp do atrybutów kroku 271
  • Dostęp do atrybutów klasy GridSearchCV 271
• Kroki przetwarzania wstępnego przeszukiwania siatki i parametry modelu 273
• Przeszukiwanie siatki modeli 275
• Podsumowanie i przegląd 276

7. Praca z danymi tekstowymi 277

• Typy danych przedstawione jako ciągi znaków 277
• Przykładowe zastosowanie: analiza recenzji filmowych 279
• Przedstawianie danych tekstowych w postaci worka słów 281
  
  • Stosowanie worka słów do przykładowego zestawu danych 282
  • Zastosowanie worka słów do recenzji filmowych 283
• Słowa pomijalne 287
• Skalowanie danych z tf-idf 288
• Badanie współczynników modelu 290
• Worek słów z więcej niż jednym słowem (n-gram) 291
• Zaawansowana tokenizacja, stemming i lematyzacja 295
• Modelowanie tematów i grupowanie dokumentów 298
  
  • Utajniona alokacja Dirichleta 299
• Podsumowanie i przegląd 305

8. Podsumowanie 307

• Podejście do problemu uczenia maszynowego 307
  
  • Informowanie ludzi 308
• Od prototypu do produkcji 308
• Testowanie systemów na produkcji 309
• Tworzenie własnego estymatora 310
• Co dalej 311
  
  • Teoria 311
  • Inne narzędzia i pakiety do uczenia maszynowego 311
  • Ranking, systemy rekomendujące i inne rodzaje uczenia 312
  • Modelowanie probabilistyczne, wnioskowanie i programowanie probabilistyczne 312
  • Sieci neuronowe 313
  • Skalowanie do większych zestawów danych 313
  • Doskonalenie umiejętności 314
• Podsumowanie 315