Nowe usługi 2.0. Przewodnik po analizie zbiorów danych - Helion
Tytuł oryginału: Programming Collective Intelligence: Building Smart Web 2.0 Applications
TÅ‚umaczenie: Piotr Pilch
ISBN: 978-83-246-9299-6
stron: 328, Format: ebook
Data wydania: 2014-09-19
Księgarnia: Helion
Cena książki: 40,50 zł (poprzednio: 54,00 zł)
Oszczędzasz: 25% (-13,50 zł)
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 się korzystać z drzew decyzyjnych
- zastosujesz dane z sieci do budowy nowych usług
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:
- Superinteligencja. Scenariusze, strategie, zagrożenia 58,33 zł, (14,00 zł -76%)
- Zen Steve'a Jobsa 29,67 zł, (8,90 zł -70%)
- Internet mo 48,06 zł, (14,90 zł -69%)
- Elastyczne nawyki. Jak kszta 48,39 zł, (15,00 zł -69%)
- Sprzedaż wirtualna, zyski realne. Jak wykorzystywać technologie do skutecznej komunikacji z nabywcami 57,74 zł, (17,90 zł -69%)
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 przykłady (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-średnich (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 treści (83)
- Użycie odnoÅ›ników zewnÄ™trznych (87)
- Uczenie na podstawie kliknięć (91)
- Ćwiczenia (101)
5. Optymalizacja (103)
- Podróż grupy osób (104)
- Reprezentowanie rozwiązań (105)
- Funkcja kosztu (106)
- Wyszukiwanie losowe (108)
- Metoda największego wzrostu (109)
- Symulowane wyżarzanie (111)
- Algorytmy genetyczne (113)
- Wyszukiwania rzeczywistych lotów (117)
- Optymalizowanie pod kÄ…tem preferencji (122)
- Wizualizacja sieci (125)
- Inne możliwości (130)
- Ćwiczenia (130)
6. Filtrowanie dokumentów (133)
- Filtrowanie spamu (133)
- Dokumenty i wyrazy (134)
- Trenowanie klasyfikatora (135)
- Obliczanie prawdopodobieństw (137)
- Naiwny klasyfikator (139)
- Metoda Fishera (142)
- Utrwalanie klasyfikatorów po przeprowadzonym treningu (146)
- Filtrowanie kanaÅ‚ów informacyjnych blogów (148)
- Poprawianie wykrywania właściwości (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)
- Wyświetlanie 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 "atrakcyjności" (176)
- Kiedy stosować drzewa decyzyjne? (178)
- Ćwiczenia (179)
8. Budowanie modelu cen (181)
- Budowanie przykładowego zbioru danych (181)
- Metoda k-najbliższych sÄ…siadów (183)
- Sąsiednie elementy z określoną wagą (186)
- Walidacja krzyżowa (189)
- Zmienne heterogeniczne (191)
- Optymalizowanie skali (194)
- Rozkłady 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)
- Trudności związane z danymi (211)
- Podstawowa klasyfikacja liniowa (213)
- Właściwości 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)
- Wcześniejsze rozwiązania (237)
- Nieujemna faktoryzacja macierzy (240)
- WyÅ›wietlanie wyników (246)
- Użycie danych rynku giełdowego (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 środowiska (269)
- Prosta gra (272)
- Dalsze możliwości (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)
- Odległość euklidesowa (317)
- WspóÅ‚czynnik korelacji Pearsona (317)
- Średnia ważona (318)
- WspóÅ‚czynnik Tanimoto (319)
- Prawdopodobieństwo warunkowe (319)
- Niejednorodność Giniego (320)
- Entropia (321)
- Wariancja (321)
- Funkcja Gaussa (322)
- Iloczyny skalarne (322)
Skorowidz (324)