reklama - zainteresowany?

Machine learning i natural language processing w programowaniu. Podr - Helion

Machine learning i natural language processing w programowaniu. Podr

MIEJSCE 6 na liście TOP 20
Autor: Piotr Wr
ISBN: 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

Tagi: Python - Programowanie | Sztuczna inteligencja

Wejd

 

Zobacz także:

  • Python od zera. Kurs video. Programuj wydajnie!
  • Flask. Kurs video. Od pierwszej linijki kodu do praktycznego zastosowania
  • Python na start. Kurs video. Tw
  • Python. Kurs video. Programowanie asynchroniczne
  • Flask. Kurs video. Stw

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 siÄ™ 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 rzeczywistoÅ›ci
  • 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 wÅ‚asne
    • 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 piguÅ‚ce
    • Funkcje tablicowe
    • Zmiany ukÅ‚adu i rozmiaru tablic
    • Wycinki, czyli opanuj dwukropek
  • Powtórka z Pandas
    • Model danych w bibliotece Pandas
    • Obiekty Pandas Series
    • Obiekty Pandas DataFrame
    • Import danych zewnÄ™trznych
    • Czyszczenie danych
    • Analiza jadÅ‚ospisu pandy
  • Nauczanie nadzorowane w piguÅ‚ce
    • Macierz konfuzji
    • Ewaluacja modeli klasyfikacji
    • WstÄ™pniak z scikit-learn
    • Klasyfikacja na przykÅ‚adzie
  • Analiza podobieÅ„stwa
    • Wektoryzacja w spaCy
    • Techniczne aspekty wektoryzacji
  • Klasyfikacja - ciÄ…g dalszy
    • Klasyfikacja dla liczby klas wiÄ™kszej 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
  • PodÅ‚Ä…czamy siÄ™ do serwisu OpenAI przez API
    • Tworzenie konta w usÅ‚udze OpenAI
    • Klucz API do komunikacji z usÅ‚ugÄ… GPT
    • BezpieczeÅ„stwo klucza API
  • Konwersacja z ChatGPT przez API
    • Szablon zapytania do ChatGPT API
    • DÅ‚uższe sesje z ChatGPT API
  • PodÅ‚Ä…czamy 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
  • RozkÅ‚ad normalny warto znać!
  • Popularne wykresy analizy danych
    • Wykresy sÅ‚upkowe
    • Histogramy
    • Wykres skrzypcowy
    • Wykres pudeÅ‚kowy
    • Mapa cieplna
  • PodrÄ™cznik Matplotlib na bezludnÄ… wyspÄ™?

Rozdział 7. Czy można przewidzieć nieznane?

  • Zastosowania regresji liniowej
  • Kiedy regresja dziaÅ‚a, a kiedy nie?
  • WstÄ™pna analiza statystyczna danych
  • Regresja z użyciem biblioteki scikit-learn

Rozdział 8. Podział klasowy bez złych skojarzeń

  • Metody skalowania cech
  • Skalowanie cech - przykÅ‚ad
  • Analiza wartoÅ›ci odstajÄ…cych
  • Klasyfikacja bez standaryzacji i ze standaryzacjÄ…
  • Zmienne kategoryczne - co z tym fantem zrobić?
  • Preprocesowanie danych przy użyciu ColumnTransformer
  • Gdy klas jest wiÄ™cej niż dwie
  • Klasyfikacja obrazów

Rozdział 9. Dziel i rządź, czyli klasteryzacja

  • Niebo gwiaździste nade mnÄ….
  • 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

Code, Publish & WebDesing by CATALIST.com.pl



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