Systemy oparte na uczeniu maszynowym s

Osoby które kupowały "Python. Uczenie maszynowe w przyk", wybierały także:

• GraphQL. Kurs video. Buduj nowoczesne API w Pythonie 169,00 zł, (50,70 zł -70%)
• Receptura na Python. Kurs Video. 54 praktyczne porady dla programist 199,00 zł, (59,70 zł -70%)
• Podstawy Pythona z Minecraftem. Kurs video. Piszemy pierwsze skrypty 149,00 zł, (44,70 zł -70%)
• Twórz gry w Pythonie. Kurs video. Poznaj bibliotekę PyGame 249,00 zł, (74,70 zł -70%)
• Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zł, (59,70 zł -70%)

Spis treści

Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III eBook -- spis treści

O autorze

O korektorach merytorycznych

Rozdział 1. Pierwsze kroki z uczeniem maszynowym w Pythonie

• Wprowadzenie do uczenia maszynowego
  • Dlaczego uczenie maszynowe jest potrzebne?
  • Różnice między uczeniem maszynowym a automatyką
  • Zastosowania uczenia maszynowego
• Wstępne wymagania
• Trzy rodzaje uczenia maszynowego
• Istota uczenia maszynowego
  • Uogólnianie danych
  • Nadmierne i niedostateczne dopasowanie modelu oraz kompromis między obciążeniem a wariancją
  • Zapobieganie nadmiernemu dopasowaniu poprzez weryfikację krzyżową
  • Zapobieganie nadmiernemu dopasowaniu za pomocą regularyzacji
  • Zapobieganie nadmiernemu dopasowaniu poprzez selekcję cech i redukcję wymiarowości
• Wstępne przetwarzanie danych i inżynieria cech
  • Wstępne przetwarzanie i eksploracja danych
  • Inżynieria cech
• Łączenie modeli
  • Głosowanie i uśrednianie
  • Agregacja bootstrap
  • Wzmacnianie
  • Składowanie
• Instalacja i konfiguracja oprogramowania
  • Przygotowanie Pythona i środowiska pracy
  • Instalacja najważniejszych pakietów Pythona
  • Wprowadzenie do pakietu TensorFlow 2
• Podsumowanie
• Ćwiczenia

Rozdział 2. Tworzenie systemu rekomendacji filmów na bazie naiwnego klasyfikatora Bayesa

• Pierwsze kroki z klasyfikacją
  • Klasyfikacja binarna
  • Klasyfikacja wieloklasowa
  • Klasyfikacja wieloetykietowa
• Naiwny klasyfikator Bayesa
  • Twierdzenie Bayesa w przykładach
  • Mechanizm naiwnego klasyfikatora Bayesa
• Implementacja naiwnego klasyfikatora Bayesa
  • Implementacja od podstaw
  • Implementacja z wykorzystaniem pakietu scikit-learn
• Budowanie systemu rekomendacyjnego na bazie klasyfikatora Bayesa
• Ocena jakości klasyfikacji
• Strojenie modeli poprzez weryfikację krzyżową
• Podsumowanie
• Ćwiczenia
• Bibliografia

Rozdział 3. Rozpoznawanie twarzy przy użyciu maszyny wektorów nośnych

• Określanie granic klas za pomocą maszyny wektorów nośnych
  • Scenariusz 1. Określenie hiperpłaszczyzny rozdzielającej
  • Scenariusz 2. Określenie optymalnej hiperpłaszczyzny rozdzielającej
  • Scenariusz 3. Przetwarzanie punktów odstających
  • Implementacja maszyny wektorów nośnych
  • Scenariusz 4. Więcej niż dwie klasy
  • Scenariusz 5. Rozwiązywanie nierozdzielnego liniowo problemu za pomocą jądra
  • Wybór między jądrem liniowym a radialną funkcją bazową
• Klasyfikowanie zdjęć twarzy za pomocą maszyny wektorów nośnych
  • Badanie zbioru zdjęć twarzy
  • Tworzenie klasyfikatora obrazów opartego na maszynie wektorów nośnych
  • Zwiększanie skuteczności klasyfikatora obrazów za pomocą analizy głównych składowych
• Klasyfikacja stanu płodu w kardiotokografii
• Podsumowanie
• Ćwiczenia

Rozdział 4. Prognozowanie kliknięć reklam internetowych przy użyciu algorytmów drzewiastych

• Wprowadzenie do prognozowania kliknięć reklam
• Wprowadzenie do dwóch typów danych: liczbowych i kategorialnych
• Badanie drzewa decyzyjnego od korzeni do liści
  • Budowanie drzewa decyzyjnego
  • Wskaźniki jakości podziału zbioru
• Implementacja drzewa decyzyjnego od podstaw
• Implementacja drzewa decyzyjnego za pomocą biblioteki scikit-learn
• Prognozowanie kliknięć reklam za pomocą drzewa decyzyjnego
• Gromadzenie drzew decyzyjnych: las losowy
• Gromadzenie drzew decyzyjnych: drzewa ze wzmocnieniem gradientowym
• Podsumowanie
• Ćwiczenia

Rozdział 5. Prognozowanie kliknięć reklam internetowych przy użyciu regresji logistycznej

• Klasyfikowanie danych z wykorzystaniem regresji logistycznej
  • Wprowadzenie do funkcji logistycznej
  • Przejście od funkcji logistycznej do regresji logistycznej
• Trening modelu opartego na regresji logistycznej
  • Trening modelu opartego na regresji logistycznej z gradientem prostym
  • Prognozowanie kliknięć reklam z wykorzystaniem regresji logistycznej z gradientem prostym
  • Trening modelu opartego na regresji logistycznej ze stochastycznym gradientem prostym
  • Trening modelu opartego na regresji logistycznej z regularyzacją
  • Selekcja cech w regularyzacji L1
• Trening modelu na dużym zbiorze danych z uczeniem online
• Klasyfikacja wieloklasowa
• Implementacja regresji logistycznej za pomocą pakietu TensorFlow
• Selekcja cech z wykorzystaniem lasu losowego
• Podsumowanie
• Ćwiczenia

Rozdział 6. Skalowanie modelu prognozującego do terabajtowych dzienników kliknięć

• Podstawy Apache Spark
  • Komponenty
  • Instalacja
  • Uruchamianie i wdrażanie programów
• Programowanie z wykorzystywaniem modułu PySpark
• Trenowanie modelu na bardzo dużych zbiorach danych za pomocą narzędzia Apache Spark
  • Załadowanie danych o kliknięciach reklam
  • Podzielenie danych i umieszczenie ich w pamięci
  • Zakodowanie "1 z n" cech kategorialnych
  • Trening i testy modelu regresji logistycznej
• Inżynieria cech i wartości kategorialnych przy użyciu narzędzia Apache Spark
  • Mieszanie cech kategorialnych
  • Interakcja cech, czyli łączenie zmiennych
• Podsumowanie
• Ćwiczenia

Rozdział 7. Prognozowanie cen akcji za pomocą algorytmów regresji

• Krótkie wprowadzenie do giełdy i cen akcji
• Co to jest regresja?
• Pozyskiwanie cen akcji
  • Pierwsze kroki z inżynierią cech
  • Pozyskiwanie danych i generowanie cech
• Szacowanie za pomocą regresji liniowej
  • Jak działa regresja liniowa?
  • Implementacja regresji liniowej od podstaw
  • Implementacja regresji liniowej z wykorzystaniem pakietu scikit-learn
  • Implementacja regresji liniowej z wykorzystaniem pakietu TensorFlow
• Prognozowanie za pomocą regresyjnego drzewa decyzyjnego
  • Przejście od drzewa klasyfikacyjnego do regresyjnego
  • Implementacja regresyjnego drzewa decyzyjnego
  • Implementacja lasu regresyjnego
• Prognozowanie za pomocą regresji wektorów nośnych
  • Implementacja regresji wektorów nośnych
• Ocena jakości regresji
• Prognozowanie cen akcji za pomocą trzech algorytmów regresji
• Podsumowanie
• Ćwiczenia

Rozdział 8. Prognozowanie cen akcji za pomocą sieci neuronowych

• Demistyfikacja sieci neuronowych
  • Pierwsze kroki z jednowarstwową siecią neuronową
  • Funkcje aktywacji
  • Propagacja wstecz
  • Wprowadzanie kolejnych warstw do sieci neuronowej i uczenie głębokie
• Tworzenie sieci neuronowej
  • Implementacja sieci neuronowej od podstaw
  • Implementacja sieci neuronowej przy użyciu pakietu scikit-learn
  • Implementacja sieci neuronowej przy użyciu pakietu TensorFlow
• Dobór właściwej funkcji aktywacji
• Zapobieganie nadmiernemu dopasowaniu sieci
  • Dropout
  • Wczesne zakończenie treningu
• Prognozowanie cen akcji za pomocą sieci neuronowej
  • Trening prostej sieci neuronowej
  • Dostrojenie parametrów sieci neuronowej
• Podsumowanie
• Ćwiczenie

Rozdział 9. Badanie 20 grup dyskusyjnych przy użyciu technik analizy tekstu

• Jak komputery rozumieją ludzi, czyli przetwarzanie języka naturalnego
  • Czym jest przetwarzanie języka naturalnego?
  • Historia przetwarzania języka naturalnego
  • Zastosowania przetwarzania języka naturalnego
• Przegląd bibliotek Pythona i podstawy przetwarzania języka naturalnego
  • Instalacja najważniejszych bibliotek
  • Korpusy
  • Tokenizacja
  • Oznaczanie części mowy
  • Rozpoznawanie jednostek nazwanych
  • Stemming i lematyzacja
  • Modelowanie semantyczne i tematyczne
• Pozyskiwanie danych z grup dyskusyjnych
• Badanie danych z grup dyskusyjnych
• Przetwarzanie cech danych tekstowych
  • Zliczanie wystąpień wszystkich tokenów
  • Wstępne przetwarzanie tekstu
  • Usuwanie stop-słów
  • Upraszczanie odmian
• Wizualizacja danych tekstowych z wykorzystaniem techniki t-SNE
  • Co to jest redukcja wymiarowości?
  • Redukcja wymiarowości przy użyciu techniki t-SNE
• Podsumowanie
• Ćwiczenia

Rozdział 10. Wyszukiwanie ukrytych tematów w grupach dyskusyjnych poprzez ich klastrowanie i modelowanie tematyczne

• Nauka bez wskazówek, czyli uczenie nienadzorowane
• Klastrowanie grup dyskusyjnych metodą k-średnich
  • Jak działa klastrowanie metodą k-średnich?
  • Implementacja klastrowania metodą k-średnich od podstaw
  • Implementacja klastrowania metodą k-średnich z wykorzystaniem pakietu scikit-learn
  • Dobór wartości k
  • Klastrowanie danych z grup dyskusyjnych metodą k-średnich
• Odkrywanie ukrytych tematów grup dyskusyjnych
  • Modelowanie tematyczne z wykorzystaniem nieujemnej faktoryzacji macierzy
  • Modelowanie tematyczne z wykorzystaniem ukrytej alokacji Dirichleta
• Podsumowanie
• Ćwiczenia

Rozdział 11. Dobre praktyki uczenia maszynowego

• Proces rozwiązywania problemów uczenia maszynowego
• Dobre praktyki przygotowywania danych
  • Dobra praktyka nr 1. Dokładne poznanie celu projektu
  • Dobra praktyka nr 2. Zbieranie wszystkich istotnych pól
  • Dobra praktyka nr 3. Ujednolicenie danych
  • Dobra praktyka nr 4. Opracowanie niekompletnych danych
  • Dobra praktyka nr 5. Przechowywanie dużych ilości danych
• Dobre praktyki tworzenia zbioru treningowego
  • Dobra praktyka nr 6. Oznaczanie cech kategorialnych liczbami
  • Dobra praktyka nr 7. Rozważenie kodowania cech kategorialnych
  • Dobra praktyka nr 8. Rozważenie selekcji cech i wybór odpowiedniej metody
  • Dobra praktyka nr 9. Rozważenie redukcji wymiarowości i wybór odpowiedniej metody
  • Dobra praktyka nr 10. Rozważenie normalizacji cech
  • Dobra praktyka nr 11. Inżynieria cech na bazie wiedzy eksperckiej
  • Dobra praktyka nr 12. Inżynieria cech bez wiedzy eksperckiej
  • Dobra praktyka nr 13. Dokumentowanie procesu tworzenia cech
  • Dobra praktyka nr 14. Wyodrębnianie cech z danych tekstowych
• Dobre praktyki trenowania, oceniania i wybierania modelu
  • Dobra praktyka nr 15. Wybór odpowiedniego algorytmu początkowego
  • Dobra praktyka nr 16. Zapobieganie nadmiernemu dopasowaniu
  • Dobra praktyka nr 17. Diagnozowanie nadmiernego i niedostatecznego dopasowania
  • Dobra praktyka nr 18. Modelowanie dużych zbiorów danych
• Dobre praktyki wdrażania i monitorowania modelu
  • Dobra praktyka nr 19. Zapisywanie, ładowanie i wielokrotne stosowanie modelu
  • Dobra praktyka nr 20. Monitorowanie skuteczności modelu
  • Dobra praktyka nr 21. Regularne aktualizowanie modelu
• Podsumowanie
• Ćwiczenia

Rozdział 12. Kategoryzacja zdjęć odzieży przy użyciu konwolucyjnej sieci neuronowej

• Bloki konstrukcyjne konwolucyjnej sieci neuronowej
  • Warstwa konwolucyjna
  • Warstwa nieliniowa
  • Warstwa redukująca
• Budowanie konwolucyjnej sieci neuronowej na potrzeby klasyfikacji
• Badanie zbioru zdjęć odzieży
• Klasyfikowanie zdjęć odzieży za pomocą konwolucyjnej sieci neuronowej
  • Tworzenie sieci
  • Trening sieci
  • Wizualizacja filtrów konwolucyjnych
• Wzmacnianie konwolucyjnej sieci neuronowej poprzez uzupełnianie danych
  • Odwracanie obrazów w poziomie i pionie
  • Obracanie obrazów
  • Przesuwanie obrazów
• Usprawnianie klasyfikatora obrazów poprzez uzupełnianie danych
• Podsumowanie
• Ćwiczenia

Rozdział 13. Prognozowanie sekwencji danych przy użyciu rekurencyjnej sieci neuronowej

• Wprowadzenie do uczenia sekwencyjnego
• Architektura rekurencyjnej sieci neuronowej na przykładzie
  • Mechanizm rekurencyjny
  • Sieć typu "wiele do jednego"
  • Sieć typu "jedno do wielu"
  • Sieć synchroniczna typu "wiele do wielu"
  • Sieć niesynchroniczna typu "wiele do wielu"
• Trening rekurencyjnej sieci neuronowej
• Długoterminowe zależności i sieć LSTM
• Analiza recenzji filmowych za pomocą sieci neuronowej
  • Analiza i wstępne przetworzenie recenzji
  • Zbudowanie prostej sieci LSTM
  • Poprawa skuteczności poprzez wprowadzenie dodatkowych warstw
• Pisanie nowej powieści "Wojna i pokój" za pomocą rekurencyjnej sieci neuronowej
  • Pozyskanie i analiza danych treningowych
  • Utworzenie zbioru treningowego dla generatora tekstu
  • Utworzenie generatora tekstu
  • Trening generatora tekstu
• Zaawansowana analiza języka przy użyciu modelu Transformer
  • Architektura modelu
  • Samouwaga
• Podsumowanie
• Ćwiczenia

Rozdział 14. Podejmowanie decyzji w skomplikowanych warunkach z wykorzystaniem uczenia przez wzmacnianie

• Przygotowanie środowiska do uczenia przez wzmacnianie
  • Instalacja biblioteki PyTorch
  • Instalacja narzędzi OpenAI Gym
• Wprowadzenie do uczenia przez wzmacnianie z przykładami
  • Komponenty uczenia przez wzmacnianie
  • Sumaryczna nagroda
  • Algorytmy uczenia przez wzmacnianie
• Problem FrozenLake i programowanie dynamiczne
  • Utworzenie środowiska FrozenLake
  • Rozwiązanie problemu przy użyciu algorytmu iteracji wartości
  • Rozwiązanie problemu przy użyciu algorytmu iteracji polityki
• Metoda Monte Carlo uczenia przez wzmacnianie
  • Utworzenie środowiska Blackjack
  • Ocenianie polityki w metodzie Monte Carlo
  • Sterowanie Monte Carlo z polityką
• Problem taksówkarza i algorytm Q-uczenia
  • Utworzenie środowiska Taxi
  • Implementacja algorytmu Q-uczenia
• Podsumowanie
• Ćwiczenia

Skorowidz