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

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

• PodrÄ™cznik startupu. Budowa wielkiej firmy krok po kroku 93,33 zÅ‚, (14,00 zÅ‚ -85%)
• Prawa ludzkiej natury 73,68 zÅ‚, (14,00 zÅ‚ -81%)
• 66,67 zÅ‚, (14,00 zÅ‚ -79%)
• Superinteligencja. Scenariusze, strategie, zagro 66,67 zÅ‚, (14,00 zÅ‚ -79%)
• Twoja firma w social mediach. Podr 58,33 zÅ‚, (14,00 zÅ‚ -76%)

Spis treści

Nowe usługi 2.0. Przewodnik po analizie zbiorów danych eBook -- 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)