Machine learning i natural language processing w programowaniu. Podr - Helion
MIEJSCE 34 na liście TOP 20
Autor: Piotr WrISBN: 978-83-289-1580-0
stron: 296, Format: 158x235, okładka: mi
Data wydania: 2024-10-01
Księgarnia: Helion
Cena książki: 71,10 zł (poprzednio: 79,00 zł)
Oszczędzasz: 10% (-7,90 zł)
Nakład wyczerpany
Wejd
Zobacz także:
- Learn Python Programming 299,00 zł, (29,90 zł -90%)
- Learn Web Development with Python 199,33 zł, (29,90 zł -85%)
- Python: Advanced Guide to Artificial Intelligence 199,33 zł, (29,90 zł -85%)
- Hands-On Simulation Modeling with Python 175,88 zł, (29,90 zł -83%)
- Hands-On Genetic Algorithms with Python 175,88 zł, (29,90 zł -83%)
Spis treści
Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie -- spis treści
Wstęp
Rozdział 1. O technikach ML, NLP oraz AI bez zbędnej teorii
- Bać się czy nie bać AI?
- Zastosowania sztucznej inteligencji
- Systemy eksperckie
- Sieci neuronowe
- Uczenie maszynowe
- Modelowanie problemów w Pythonie
- Tablice - podstawowa struktura w przetwarzaniu danych
- Grafy - modelowanie stanów i przejść
- Klasy - modelowanie rzeczywistości
- Modelem jestem
- Z nauczycielem czy bez?
- Nauczanie nadzorowane
- Nauczanie nienadzorowane
- Techniki mieszane
- Ważniejsze biblioteki AI/ML i NLP w Pythonie
- Pakiety uniwersalne
- Pakiety przydatne w ML i NLP
- Na deser - Noam Chomsky o AI
Rozdział 2. Niezbędnik warsztatowy programisty Pythona
- Testujemy poprawność instalacji Pythona
- Instalator pip i biblioteki Pythona
- Edytory do Pythona
- Åšrodowiska IDE
- IDLE
- PyCharm
- Visual Studio Community
- Notatniki Jupyter
- Dokumentacja Pythona
- Używanie zasobów GitHuba
Rozdział 3. NLP - przybornik
- Odczyt plików i katalogów
- Rodzaje plików
- Otwieranie plików
- Klasa Path
- Napisy - na co zwrócić uwagÄ™
- Napisy to nie tablice
- Konwersje
- Wyrażenia regularne
- Pobieranie tekstu z plików PDF
- Instalacja i konfiguracja spaCy
- Instalacja i konfiguracja NLTK
- Podstawowe techniki NLP
- Tokenizacja bez zadyszki
- NER, czyli nazwy własne
- NER w spaCy
- Czas na pomiar
- Stop word - co z tym fantem zrobić?
- NLTK i spaCy - co dalej?
Rozdział 4. NLP - zastosowania
- Powtórka z NumPy
- Tablice i macierze
- Deklarowanie tablic i macierzy w pigułce
- Funkcje tablicowe
- Zmiany układu i rozmiaru tablic
- Wycinki, czyli opanuj dwukropek
- Powtórka z Pandas
- Model danych w bibliotece Pandas
- Obiekty Pandas Series
- Obiekty Pandas DataFrame
- Import danych zewnętrznych
- Czyszczenie danych
- Analiza jadłospisu pandy
- Nauczanie nadzorowane w pigułce
- Macierz konfuzji
- Ewaluacja modeli klasyfikacji
- Wstępniak z scikit-learn
- Klasyfikacja na przykładzie
- Analiza podobieństwa
- Wektoryzacja w spaCy
- Techniczne aspekty wektoryzacji
- Klasyfikacja - ciÄ…g dalszy
- Klasyfikacja dla liczby klas większej niż 2
- Analiza sentymentu
- VADER
- TextBlob
Rozdział 5. ChatGPT to. nie tylko czat!
- Czym jest ChatGPT?
- Wektory sÅ‚ów i word embeddings
- Nie tylko chat
- Podłączamy się do serwisu OpenAI przez API
- Tworzenie konta w usłudze OpenAI
- Klucz API do komunikacji z usługą GPT
- Bezpieczeństwo klucza API
- Konwersacja z ChatGPT przez API
- Szablon zapytania do ChatGPT API
- Dłuższe sesje z ChatGPT API
- Podłączamy ChatGPT do internetu
- Naucz siÄ™ web scrappingu
- Analiza sentymentu recenzji internetowych
- Interfejs embeddings serwisu OpenAI
Rozdział 6. Szybka analiza danych przy użyciu Matplotlib
- Wykresy punktowe i liniowe
- Modyfikacje wyglÄ…du wykresu
- Wykresy wielokrotne
- Popularne miary statystyczne
- Rozkład normalny warto znać!
- Popularne wykresy analizy danych
- Wykresy słupkowe
- Histogramy
- Wykres skrzypcowy
- Wykres pudełkowy
- Mapa cieplna
- Podręcznik Matplotlib na bezludną wyspę?
Rozdział 7. Czy można przewidzieć nieznane?
- Zastosowania regresji liniowej
- Kiedy regresja działa, a kiedy nie?
- Wstępna analiza statystyczna danych
- Regresja z użyciem biblioteki scikit-learn
Rozdział 8. Podział klasowy bez złych skojarzeń
- Metody skalowania cech
- Skalowanie cech - przykład
- Analiza wartości odstających
- Klasyfikacja bez standaryzacji i ze standaryzacjÄ…
- Zmienne kategoryczne - co z tym fantem zrobić?
- Preprocesowanie danych przy użyciu ColumnTransformer
- Gdy klas jest więcej niż dwie
- Klasyfikacja obrazów
Rozdział 9. Dziel i rządź, czyli klasteryzacja
- Niebo gwiaździste nade mną.
- Popularne algorytmy realizujÄ…ce klasteryzacjÄ™
- Pierwsze klastrowanie w Pythonie
- Klastrowanie hierarchiczne
- Algorytm centroidów (K-Means)
- WiÄ™cej wymiarów
- KÅ‚opotliwe dane kategoryczne
- K-modes
- K-prototypes
- A może dwa wróble w garÅ›ci?
Podsumowanie
Skorowidz