Osoby które kupowały "Python i AI dla e-commerce", wybierały także:

• Windows Media Center. Domowe centrum rozrywki 66,67 zÅ‚, (8,00 zÅ‚ -88%)
• Ruby on Rails. Ćwiczenia 18,75 zÅ‚, (3,00 zÅ‚ -84%)
• Przywództwo w Å›wiecie VUCA. Jak być skutecznym liderem w niepewnym Å›rodowisku 58,64 zÅ‚, (12,90 zÅ‚ -78%)
• Scrum. O zwinnym zarzÄ…dzaniu projektami. Wydanie II rozszerzone 58,64 zÅ‚, (12,90 zÅ‚ -78%)
• Od hierarchii do turkusu, czyli jak zarzÄ…dzać w XXI wieku 58,64 zÅ‚, (12,90 zÅ‚ -78%)

Spis treści

Python i AI dla e-commerce -- spis treści

Wstęp

Część I. Python: krótki wstÄ™p do efektywnego programowania

• RozdziaÅ‚ 1. NarzÄ™dzia
  • 1.1. Google Colab
  • 1.2. Wirtualne Å›rodowiska
• RozdziaÅ‚ 2. Struktury danych
  • 2.1. Napisy
  • 2.2. Lista (list)
  • 2.3. Krotka (tuple)
  • 2.4. Zbiór zmienny (set)
  • 2.5. Tablica asocjacyjna - sÅ‚ownik (dict)
  • 2.6. Klasy i obiekty
  • 2.7. Podsumowanie struktur danych
• RozdziaÅ‚ 3. NiezbÄ™dnik programisty
  • 3.1. Wyrażenia regularne
  • 3.2. Wizualizacja procesu
  • 3.3. Lambda, wyrażenia listowe i generatory
  • 3.4. WyjÄ…tki
  • 3.5. Odczyt i zapis plików
• RozdziaÅ‚ 4. NumPy i Pandas w akcji
  • 4.1. NumPy
  • 4.2. Pandas
• RozdziaÅ‚ 5. Bazy danych i repozytoria danych
  • 5.1. Bazy relacyjne (SQL)
  • 5.2. Technologia noSQL
  • Podsumowanie części I

Część II. AI - przeglÄ…d technik i algorytmów

• RozdziaÅ‚ 6. Czym jest sztuczna inteligencja?
• RozdziaÅ‚ 7. Uczenie maszynowe
  • 7.1. Nadzorowane uczenie maszynowe
  • 7.2. Nienadzorowane uczenie maszynowe
  • 7.3. Uczenie maszynowe ze wzmocnieniem
  • 7.4. GÅ‚Ä™bokie uczenie
• RozdziaÅ‚ 8. Zastosowania maszynowego uczenia
  • 8.1. "Tradycyjny" machine learning
  • 8.2. Przetwarzanie jÄ™zyka naturalnego (NLP)
  • 8.3. Uczenie maszynowe w e-commerce
• RozdziaÅ‚ 9. Dane, dane, dane
  • 9.1. Åšwiat
  • 9.2. Polska

Część III. Przepisy

• RozdziaÅ‚ 10. Web scraping
  • 10.1. Zacznijmy od podstaw
  • 10.2. Biblioteka Requests i Beautiful Soup
  • 10.3. Scrapy
  • 10.4. PrzeglÄ…darko-drivery i selenium
  • 10.5. Podsumowanie
• RozdziaÅ‚ 11. SÅ‚ów kilka o przetwarzaniu jÄ™zyka naturalnego
  • 11.1. Podsumowanie
• RozdziaÅ‚ 12. Uczenie nadzorowane - klasyfikatory
  • 12.1. Odczyt danych
  • 12.2. WstÄ™pny przeglÄ…d danych
  • 12.3. PodziaÅ‚ zbioru na dane treningowe i testowe
  • 12.4. Wektoryzacja
  • 12.5. Trening
  • 12.6. Ocena modelu
  • 12.7. Biuro obsÅ‚ugi klienta Masz wiadomość!
  • 12.8. Podsumowanie
• RozdziaÅ‚ 13. Klasyfikacja w sÅ‚użbie niskiej rezygnacji
  • 13.1. PrzeglÄ…d danych
  • 13.2. Problem luk informacyjnych w danych
  • 13.3. PrzeglÄ…d i wybór cech
  • 13.4. Ostateczne przygotowanie siÄ™ do preparacji danych do uczenia
  • 13.5. FinaÅ‚, czyli stwórzmy sobie potok
  • 13.6. Ocena modelu
  • 13.7. Poszukajmy lepszego rozwiÄ…zania
  • 13.8. Podsumowanie
• RozdziaÅ‚ 14. Systemy rekomendacji, czyli jak zwiÄ™kszyć koszyk
  • 14.1. Content-based Filtering
  • 14.2. Collaborative Filtering
  • 14.3. Rekomendacje w praktyce
  • 14.4. Podsumowanie
• RozdziaÅ‚ 15. Stuninguj swój sklep
  • 15.1. RESTful JSON API (Python/Flask)
  • 15.2. Instalacja projektu na zewnÄ™trznym serwerze
  • 15.3. Google Tag Manager
  • 15.4. Serializacja modelu
  • 15.5. Podsumowanie

Zakończenie