Ostatnia dekada to czas bezprecedensowego rozwoju sztucznej inteligencji nie tylko przełomowych badań nad algorytmami uczenia maszynowego, ale również coraz powszechniejszego stosowania inteligentnych maszyn w najróżniejszych dziedzinach naszego życia. Rozwój ten ogranicza niewystarczająca liczba specjalistów, łączących znajomość modelowania danych (przygotowania danych i zasad działania algorytmów uczenia maszynowego) ze znajomością języków analizy danych, takich jak SQL, R czy Python. Inżynieria danych (ang. data science) to interdyscyplinarna wiedza, której opanowanie wymaga znajomości algebry, geometrii, statystyki, rachunku prawdopodobieństwa i algorytmiki, uzupełnionej o praktyczną umiejętność programowania. Co więcej, sztuczna inteligencja jest przedmiotem intensywnych badań naukowych i samo śledzenie postępów w tej dziedzinie wiąże się z regularnym (codziennym) dokształcaniem. Niniejsza książka łączy w sobie teorię z praktyką. Opisuje rozwiązania kilkunastu typowych problemów, takich jak prognozowanie zysków, optymalizacja kampanii marketingowej, proaktywna konserwacja sprzętu czy oceny ryzyka kredytowego. Ich układ jest celowy każdy przykład jest okazją do wyjaśnienia określonych zagadnień, zaczynając od narzędzi, przez podstawy uczenia maszynowego, sposoby oceny jakości danych i ich przygotowania do dalszej analizy, zasady tworzenia modeli uczenia maszynowego i ich optymalizacji, po wskazówki dotyczące wdrożenia gotowych modeli do produkcji. Książka jest adresowana do wszystkich, którzy chcieliby poznać lub udoskonalić: praktyczną znajomość statystki i umiejętność wizualizacji danych niezbędnej do oceny jakości danych; praktyczną znajomość języka SQL, R lub Python niezbędnej do uporządkowania, wstępnego przygotowania i wzbogacenia danych; zasady działania poszczególnych algorytmów uczenia maszynowego koniecznych do ich wyboru i optymalizacji; korzystanie z języka R lub Python do stworzenia, oceny, zoptymalizowania i wdrożenia do produkcji modeli eksploracji danych. Zarówno studenci kierunków informatycznych, jak również analitycy, programiści, administratorzy baz danych oraz statystycy znajdą w książce informacje, które pozwolą im opanować praktyczne umiejętności potrzebne do samodzielnego tworzenia systemów uczenia maszynowego.

Osoby które kupowały "Praktyczne uczenie maszynowe", wybierały także:

• Natural Language Processing with PyTorch. Build Intelligent Language Applications Using Deep Learning 332,22 zÅ‚, (29,90 zÅ‚ -91%)
• TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning 249,17 zÅ‚, (29,90 zÅ‚ -88%)
• AI and Machine Learning for Coders 230,00 zÅ‚, (29,90 zÅ‚ -87%)
• Kubeflow Operations Guide 213,57 zÅ‚, (29,90 zÅ‚ -86%)
• Introducing MLOps 213,57 zÅ‚, (29,90 zÅ‚ -86%)

Spis treści

Praktyczne uczenie maszynowe eBook -- spis treści

• OkÅ‚adka
• Strona tytuÅ‚owa
• Strona redakcyjna
• Od autora
• Spis treÅ›ci
• Sztuczna inteligencja
• O książce
  • Dla kogo jest ta książka?
  • NarzÄ™dzia
  • PrzykÅ‚ady
  • Bibliografia
  • Konwencje i oznaczenia
• 1. NarzÄ™dzia
  • 1.1. JÄ™zyk Python
  • 1.2. JÄ™zyk R
    • 1.2.1. Microsoft R Open (MRO)
    • 1.2.2. Microsoft R Client (MRC)
    • 1.2.3. Microsoft Machine Learning Server (MLS)
  • 1.3. SQL Server 2019
    • 1.3.1. Instalacja
    • 1.3.2. Microsoft SQL Server Machine Learning Services
    • 1.3.3. BezpieczeÅ„stwo
    • 1.3.4. Wydajność
  • 1.4. PyCharm Community Edition
  • 1.5. RStudio Desktop
  • 1.6. Instalacja dodatkowych pakietów
  • 1.7. Power BI Desktop
• 2. Praca z SQL Server Machine Learning Services
  • 2.1. Wykrywanie oszustw
  • 2.2. Klasyfikacja przejazdów
  • 2.3. Dodatkowe funkcjonalnoÅ›ci serwera SQL Server i usÅ‚ugi SQL Machine Learning Services
    • 2.3.1. Zapytania predykcyjne czasu rzeczywistego
    • 2.3.2. Natywne zapytania predykcyjne
    • 2.3.3. Tworzenie modeli dla partycji danych
• 3. WstÄ™p do uczenia maszynowego
  • 3.1. Rodzaje uczenia maszynowego
  • 3.2. Proces uczenia
  • 3.3. Modele regresji
  • 3.4. Modele partycjonujÄ…ce
  • 3.5. Metodyka CRISP-DM
  • 3.6. Metodyka TDSP
• 4. Zrozumienie danych
  • 4.1. Poznanie danych wymaga zrozumienia postawionego problemu
  • 4.2. Statystyki opisowe
    • 4.2.1. Zmienne numeryczne
    • 4.2.2. Zmienne kategoryczne
  • 4.3. BrakujÄ…ce dane
  • 4.4. Entropia
  • 4.5. Ocena zmiennych za pomocÄ… programu Power BI
  • 4.6. Ocena zmiennych przy użyciu jÄ™zyka SQL
    • 4.6.1. Automatyczny opis zmiennych
  • 4.7. Wizualizacja zmiennych
  • 4.8. Reprezentatywność danych
  • 4.9. Korelacje miÄ™dzy zmiennymi
    • 4.9.1. KlÄ…twa wymiarowoÅ›ci
    • 4.9.2. Ocena przydatnoÅ›ci zmiennych
    • 4.9.3. Dwie zmienne numeryczne
    • 4.9.4. Dwie zmienne kategoryczne
    • 4.9.5. Dwie zmienne porzÄ…dkowe
    • 4.9.6. Zmienna kategoryczna i numeryczna
    • 4.9.7. Korelacja oznacza współwystÄ™powanie, a nie zwiÄ…zek przyczynowo-skutkowy
  • 4.10. Ocena korelacji za pomocÄ… programu Power BI
  • 4.11. Ocena korelacji przy użyciu jÄ™zyka SQL
• 5. Przygotowanie danych
  • 5.1. UporzÄ…dkowanie danych
  • 5.2. Wzbogacanie danych
    • 5.2.1. Data i czas
  • 5.3. Wyczyszczenie danych
    • 5.3.1. Usuwanie brakujÄ…cych wartoÅ›ci
    • 5.3.2. Usuwanie duplikatów
    • 5.3.3. Usuwanie bÅ‚Ä™dnych danych
    • 5.3.4. Usuwanie wartoÅ›ci odstajÄ…cych
  • 5.4. PrzeksztaÅ‚cenie danych
    • 5.4.1. Kodowanie
    • 5.4.2. Generalizacja
    • 5.4.3. ZaokrÄ…glanie
    • 5.4.4. Dyskretyzacja
    • 5.4.5. Skalowanie
    • 5.4.6. WygÅ‚adzanie
  • 5.5. Redukcja danych
    • 5.5.1. Selekcja zmiennych
    • 5.5.2. Analiza skÅ‚adowych głównych
    • 5.5.3. Wybór zmiennych przydatnych dla modelu
  • 5.6. PodziaÅ‚ danych
    • 5.6.1. PodziaÅ‚ warstwowy
    • 5.6.2. Równoważenie danych
    • 5.6.3. k-krotna walidacja krzyżowa
  • 5.7. Danych walidacyjnych używa siÄ™ do optymalizacji, a nie do oceny modeli
  • 5.8. Kto miaÅ‚ szansÄ™ przeżyć katastrofÄ™ Titanica?
• 6. Analiza skupieÅ„
  • 6.1. Grupowanie w celu zmniejszenia liczby przykÅ‚adów
  • 6.2. Algorytmy iteracyjno-optymalizacyjne
  • 6.3. Segmentacja
• 7. Regresja
  • 7.1. Zrozumienie problemu
  • 7.2. Zrozumienie danych
  • 7.3. Opisanie danych
  • 7.4. Ocena przydatnoÅ›ci danych
  • 7.5. Wzbogacenie danych
  • 7.6. Ocena zmiennych
  • 7.7. PrzeksztaÅ‚cenie i wybór danych
  • 7.8. Modelowanie
    • 7.8.1. Uczenie na bÅ‚Ä™dach
    • 7.8.2. Regresja liniowa
    • 7.8.3. Ogólny model liniowy GLM
    • 7.8.4. Sztuczne sieci neuronowe
    • 7.8.5. Drzewa regresyjne
    • 7.8.6. Kombinacje modeli
  • 7.9. Porównanie modeli
  • 7.10. Wdrożenie modeli po stronie serwera SQL
• 8. Klasyfikacja
  • 8.1. Klasyfikacja binarna
    • 8.1.1. Przygotowanie danych
    • 8.1.2. Regresja logistyczna
    • 8.1.3. Sztuczne sieci neuronowe
    • 8.1.4. Klasyfikacja przez indukcjÄ™ drzew decyzyjnych
    • 8.1.5. Kombinacje modeli
    • 8.1.6. Porównanie modeli
    • 8.1.7. Wdrożenie modeli po stronie serwera SQL
  • 8.2. Klasyfikacja wieloklasowa
    • 8.2.1. Przygotowanie danych
    • 8.2.2. Regresja logistyczna
    • 8.2.3. Sztuczne sieci neuronowe
    • 8.2.4. Klasyfikacja przez indukcjÄ™ drzew decyzyjnych
    • 8.2.5. Porównanie modeli
    • 8.2.6. Wdrożenie modeli po stronie serwera SQL
• 9. Ocena modeli
  • 9.1. Nie ma darmowego lunchu
  • 9.2. BÅ‚Ä™dy modeli predykcyjnych
    • 9.2.1. BÅ‚Ä…d systematyczny i bÅ‚Ä…d aproksymacji
  • 9.3. Kryteria oceny modeli regresji
    • 9.3.1. Åšredni bÅ‚Ä…d bezwzglÄ™dny
    • 9.3.2. Pierwiastek bÅ‚Ä™du Å›redniokwadratowego
    • 9.3.3. Znormalizowany bÅ‚Ä…d bezwzglÄ™dny
    • 9.3.4. Znormalizowany bÅ‚Ä…d kwadratowy
    • 9.3.5. Współczynnik determinacji R2
    • 9.3.6. Ocena modelu prognozujÄ…cego pozostaÅ‚y czas bezawaryjnej pracy urzÄ…dzeÅ„
  • 9.4. Kryteria oceny modeli klasyfikacji binarnej
    • 9.4.1. Macierz bÅ‚Ä™dów
    • 9.4.2. Trafność
    • 9.4.3. Precyzja
    • 9.4.4. CzuÅ‚ość
    • 9.4.5. F-miara
    • 9.4.6. Współczynnik Kappa Cohena
    • 9.4.7. Krzywa ROC i obszar pod krzywÄ…
    • 9.4.8. Ocena modelu klasyfikujÄ…cego urzÄ…dzenia jako wymagajÄ…ce lub niewymagajÄ…ce przeglÄ…du
  • 9.5. Kryteria oceny modeli klasyfikacji wieloklasowej
    • 9.5.1. Macierz bÅ‚Ä™dów
    • 9.5.2. Metryki klasy wiÄ™kszoÅ›ciowej
    • 9.5.3. Metryki poszczególnych klas
    • 9.5.4. Åšrednie makro
    • 9.5.5. Åšrednie mikro
  • 9.6. Ocena modelu klasyfikujÄ…cego urzÄ…dzenia do przeglÄ…du
  • 9.7. Interpretacja predykcji
• 10. Optymalizacja i wdrożenie modeli
  • 10.1. Zrozumienie problemu
  • 10.2. Zrozumienie i przygotowanie danych
    • 10.2.1. Import danych
    • 10.2.2. Ocena danych
  • 10.3. Modelowanie
  • 10.4. Optymalizacja
  • 10.5. Wdrożenie
    • 10.5.1. Analiza typu Co by byÅ‚o, gdyby?
• PosÅ‚owie
• Bibliografia
• Przypisy