reklama - zainteresowany?

Nowe usługi 2.0. Przewodnik po analizie zbiorów danych - Helion

Nowe usługi 2.0. Przewodnik po analizie zbiorów danych
Autor: Toby Segaran
Tytuł oryginału: Programming Collective Intelligence: Building Smart Web 2.0 Applications
TÅ‚umaczenie: Piotr Pilch
ISBN: 978-83-246-9298-9
stron: 328, Format: 168x237, okładka: miękka
Data wydania: 2014-09-18
Księgarnia: Helion

Cena książki: 54,00 zł

Dodaj do koszyka Nowe usługi 2.0. Przewodnik po analizie zbiorów danych

Tagi: E-biznes | Funkcjonalność stron i UX | Inne | Marketing

Wykorzystaj dane z sieci do własnych potrzeb!

Internet to nic innego jak gigantyczny zbiór danych. Każdy, kto znajdzie sposób na ich umiejÄ™tne wykorzystanie, ma szansÄ™ zbudować aplikacjÄ™, która odniesie Å›wiatowy sukces. Serwisy randkowe, portale spoÅ‚ecznoÅ›ciowe, porównywarki cen — to tylko drobna część serwisów, które możesz wykorzystać przy tworzeniu nowej usÅ‚ugi. Jak analizować dane i wyciÄ…gnąć wnioski? Na wiele podobnych pytaÅ„ odpowiada ta jedyna w swoim rodzaju książka.

W trakcie lektury poznasz najlepsze sposoby filtrowania danych, tworzenia rekomendacji, wykrywania grup oraz wyszukiwania i klasyfikowania. Na kolejnych stronach znajdziesz bogaty zbiór informacji poświęconych algorytmom analizującym dane. Ponadto będziesz mieć możliwość zapoznania się z różnymi sposobami optymalizacji, modelowania przy użyciu drzew decyzyjnych oraz tworzenia modeli cenowych. Książka ta w rękach wprawnego programisty może stanowić niesamowite narzędzie. Otwiera wrota do świata pełnego danych i zależności pomiędzy nimi!

Dzięki tej książce:

  • poznasz najlepsze i najskuteczniejsze algorytmy do analizy danych
  • zbudujesz model cen
  • nauczysz siÄ™ korzystać z drzew decyzyjnych
  • zastosujesz dane z sieci do budowy nowych usÅ‚ug

Wyciągnij właściwe wnioski z posiadanych danych!

„Brawo! Nic lepszego nie przychodzi mi na myÅ›l w przypadku programisty, który zaczyna dopiero przygodÄ™ z opisanymi w książce algorytmami i metodami. Sam (jako stary »wyjadacz« od sztucznej inteligencji) siÄ™gnÄ…Å‚bym po niÄ… w pierwszej kolejnoÅ›ci, żeby odÅ›wieżyć swojÄ… znajomość szczegółów.”
Dan Russell,
główny specjalista ds. technologii, firma Google
„W książce Toby’ego w znakomity sposób dokonano rozbicia zÅ‚ożonego zagadnienia dotyczÄ…cego algorytmów uczenia maszynowego na praktyczne i Å‚atwe do zrozumienia przykÅ‚ady, które mogÄ… być bezpoÅ›rednio używane do analizowania interakcji spoÅ‚ecznoÅ›ciowej w obecnym internecie. JeÅ›li ta książka trafiÅ‚a w moje rÄ™ce dwa lata wczeÅ›niej, zaoszczÄ™dziÅ‚bym mój cenny czas, gdy podążaÅ‚em bezowocnymi Å›cieżkami.”
Tim Wolters,
szef ds. technologii, firma Collective Intellect

Dodaj do koszyka Nowe usługi 2.0. Przewodnik po analizie zbiorów danych

 

Osoby które kupowały "Nowe usługi 2.0. Przewodnik po analizie zbiorów danych", wybierały także:

  • Superinteligencja. Scenariusze, strategie, zagrożenia
  • SiÅ‚a Lucyfera. Ciemna strona copywritingu
  • Zen Steve'a Jobsa
  • Elastyczne nawyki. Jak kszta
  • Praktyczne zastosowanie narzÄ™dzi SEO w Twojej firmie

Dodaj do koszyka Nowe usługi 2.0. Przewodnik po analizie zbiorów danych

Spis treści

Nowe usługi 2.0. Przewodnik po analizie zbiorów danych -- spis treści

Słowo wstępne (11)

Przedmowa (13)

1. Inteligencja zbiorowa - wprowadzenie (21)

  • Czym jest inteligencja zbiorowa? (22)
  • Czym jest uczenie maszynowe? (23)
  • Ograniczenia uczenia maszynowego (24)
  • Rzeczywiste przykÅ‚ady (24)
  • Inne zastosowania algorytmów uczÄ…cych (25)

2. Tworzenie rekomendacji (27)

  • Filtrowanie grupowe (27)
  • Gromadzenie preferencji (28)
  • Znajdowanie podobnych użytkowników (29)
  • Rekomendowanie pozycji (34)
  • Dopasowywanie produktów (36)
  • Tworzenie systemu rekomendowania odnoÅ›ników del.icio.us (38)
  • Filtrowanie oparte na pozycjach (42)
  • Zastosowanie zbioru danych MovieLens (45)
  • Filtrowanie oparte na użytkownikach czy pozycjach? (46)
  • Ćwiczenia (47)

3. Wykrywanie grup (49)

  • Porównanie uczenia nadzorowanego z nienadzorowanym (49)
  • Wektory wyrazów (50)
  • Grupowanie hierarchiczne (53)
  • Rysowanie dendrogramu (57)
  • Grupowanie kolumn (59)
  • Grupowanie k-Å›rednich (61)
  • Klastry preferencji (64)
  • WyÅ›wietlanie danych w dwóch wymiarach (68)
  • Inne rzeczy, które mogÄ… być grupowane (71)
  • Ćwiczenia (72)

4. Wyszukiwanie i klasyfikowanie (73)

  • Co znajduje siÄ™ w wyszukiwarce? (73)
  • Prosty przeszukiwacz (75)
  • Budowanie indeksu (77)
  • Odpytywanie (81)
  • Klasyfikacja oparta na treÅ›ci (83)
  • Użycie odnoÅ›ników zewnÄ™trznych (87)
  • Uczenie na podstawie kliknięć (91)
  • Ćwiczenia (101)

5. Optymalizacja (103)

  • Podróż grupy osób (104)
  • Reprezentowanie rozwiÄ…zaÅ„ (105)
  • Funkcja kosztu (106)
  • Wyszukiwanie losowe (108)
  • Metoda najwiÄ™kszego wzrostu (109)
  • Symulowane wyżarzanie (111)
  • Algorytmy genetyczne (113)
  • Wyszukiwania rzeczywistych lotów (117)
  • Optymalizowanie pod kÄ…tem preferencji (122)
  • Wizualizacja sieci (125)
  • Inne możliwoÅ›ci (130)
  • Ćwiczenia (130)

6. Filtrowanie dokumentów (133)

  • Filtrowanie spamu (133)
  • Dokumenty i wyrazy (134)
  • Trenowanie klasyfikatora (135)
  • Obliczanie prawdopodobieÅ„stw (137)
  • Naiwny klasyfikator (139)
  • Metoda Fishera (142)
  • Utrwalanie klasyfikatorów po przeprowadzonym treningu (146)
  • Filtrowanie kanaÅ‚ów informacyjnych blogów (148)
  • Poprawianie wykrywania wÅ‚aÅ›ciwoÅ›ci (150)
  • Użycie interfejsu Akismet (152)
  • Alternatywne metody (153)
  • Ćwiczenia (154)

7. Modelowanie przy użyciu drzew decyzyjnych (157)

  • Przewidywanie rejestracji (157)
  • Wprowadzenie do drzew decyzyjnych (159)
  • Uczenie drzewa (160)
  • Wybór najlepszego podziaÅ‚u (162)
  • Budowanie drzewa rekurencyjnego (164)
  • WyÅ›wietlanie drzewa (166)
  • Klasyfikowanie nowych obserwacji (168)
  • Przycinanie drzewa (169)
  • Radzenie sobie z brakujÄ…cymi danymi (171)
  • Radzenie sobie z wynikami liczbowymi (172)
  • Modelowanie cen domów (173)
  • Modelowanie "atrakcyjnoÅ›ci" (176)
  • Kiedy stosować drzewa decyzyjne? (178)
  • Ćwiczenia (179)

8. Budowanie modelu cen (181)

  • Budowanie przykÅ‚adowego zbioru danych (181)
  • Metoda k-najbliższych sÄ…siadów (183)
  • SÄ…siednie elementy z okreÅ›lonÄ… wagÄ… (186)
  • Walidacja krzyżowa (189)
  • Zmienne heterogeniczne (191)
  • Optymalizowanie skali (194)
  • RozkÅ‚ady niejednolite (196)
  • Użycie rzeczywistych danych - interfejs API serwisu eBay (200)
  • Kiedy używać metody k-najbliższych sÄ…siadów? (207)
  • Ćwiczenia (207)

9. Zaawansowane klasyfikowanie: metody jÄ…drowe i maszyny wektorów noÅ›nych (209)

  • Zbiór danych swatki (209)
  • TrudnoÅ›ci zwiÄ…zane z danymi (211)
  • Podstawowa klasyfikacja liniowa (213)
  • WÅ‚aÅ›ciwoÅ›ci skategoryzowane (217)
  • Skalowanie danych (218)
  • Metody jÄ…drowe (220)
  • Maszyny wektorów noÅ›nych (223)
  • Zastosowanie biblioteki LIBSVM (225)
  • Dopasowywanie w serwisie Facebook (227)
  • Ćwiczenia (232)

10. Znajdowanie niezależnych właściwości (233)

  • Zbiór artykuÅ‚ów (234)
  • WczeÅ›niejsze rozwiÄ…zania (237)
  • Nieujemna faktoryzacja macierzy (240)
  • WyÅ›wietlanie wyników (246)
  • Użycie danych rynku gieÅ‚dowego (249)
  • Ćwiczenia (254)

11. Inteligencja rozwojowa (255)

  • Czym jest programowanie genetyczne? (255)
  • Programy w postaci drzew (258)
  • Tworzenie populacji poczÄ…tkowej (261)
  • Testowanie rozwiÄ…zania (263)
  • Krzyżowanie (267)
  • Budowanie Å›rodowiska (269)
  • Prosta gra (272)
  • Dalsze możliwoÅ›ci (276)
  • Ćwiczenia (278)

12. Algorytmy - podsumowanie (281)

  • Klasyfikator bayesowski (281)
  • Klasyfikator drzew decyzyjnych (285)
  • Sieci neuronowe (288)
  • Maszyny wektorów noÅ›nych (292)
  • Metoda k-najbliższych sÄ…siadów (296)
  • Grupowanie (299)
  • Skalowanie wielowymiarowe (303)
  • Nieujemna faktoryzacja macierzy (305)
  • Optymalizacja (307)

A. Zewnętrzne biblioteki (311)

  • Universal Feed Parser (311)
  • Python Imaging Library (311)
  • Beautiful Soup (312)
  • pysqlite (313)
  • NumPy (314)
  • matplotlib (315)
  • pydelicious (316)

B. Formuły matematyczne (317)

  • OdlegÅ‚ość euklidesowa (317)
  • WspóÅ‚czynnik korelacji Pearsona (317)
  • Åšrednia ważona (318)
  • WspóÅ‚czynnik Tanimoto (319)
  • PrawdopodobieÅ„stwo warunkowe (319)
  • Niejednorodność Giniego (320)
  • Entropia (321)
  • Wariancja (321)
  • Funkcja Gaussa (322)
  • Iloczyny skalarne (322)

Skorowidz (324)

Dodaj do koszyka Nowe usługi 2.0. Przewodnik po analizie zbiorów danych

Code, Publish & WebDesing by CATALIST.com.pl



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