Uczenie maszynowe i nauka o danych sÄ… dziÅ› ogromnie popularne. Dziedziny te szybko siÄ™ rozwijajÄ…, a poszczególne techniki uczenia maszynowego znajdujÄ… coraz wiÄ™cej różnorodnych zastosowaÅ„. Wiedza, którÄ… można uzyskać dziÄ™ki odpowiedniemu przygotowaniu danych i ich eksploracji, czÄ™sto jest bezcenna. UmiejÄ™tność ich analizy oraz wiedza o możliwych sposobach rozwiÄ…zywania problemów napotykanych podczas uczenia maszynowego sÄ… wiÄ™c dużymi atutami i mogÄ… być wykorzystywane w wielu gaÅ‚Ä™ziach nauki, techniki i biznesu.

Z tego zwiÄ™zÅ‚ego przewodnika po technikach uczenia maszynowego opartego na strukturalnych danych skorzystajÄ… programiÅ›ci, badacze, osoby zajmujÄ…ce siÄ™ naukÄ… o danych oraz twórcy systemów sztucznej inteligencji. ZnalazÅ‚ siÄ™ tu wyczerpujÄ…cy opis procesu uczenia maszynowego i klasyfikacji danych strukturalnych. Przedstawiono też metody klastrowania danych, analizy regresji, redukcji wymiarowoÅ›ci oraz inne ważne zagadnienia. Prezentowane treÅ›ci zostaÅ‚y zilustrowane uwagami, tabelami i przykÅ‚adami kodu. Nie zabrakÅ‚o opisu przydatnych bibliotek, niezwykle użytecznych w pracy analityka danych. W efekcie książka pozwala na szybkie rozwiÄ…zywanie różnego rodzaju problemów zwiÄ…zanych z przetwarzaniem danych strukturalnych.

W książce między innymi:

• klasyfikacja, oczyszczanie i uzupeÅ‚nianie braków danych
• eksploracyjna analiza danych i dobór modelu danych
• przykÅ‚ady analiz regresji
• redukcja wymiarowoÅ›ci
• potoki w bibliotece scikit-learn

Uczenie maszynowe: nowy wymiar analizy danych!

Osoby które kupowały "Uczenie maszynowe w Pythonie. Leksykon kieszonkowy", wybierały także:

• Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zÅ‚, (59,70 zÅ‚ -70%)
• Power BI Desktop. Kurs video. Wykorzystanie narzÄ™dzia w analizie i wizualizacji danych 349,00 zÅ‚, (104,70 zÅ‚ -70%)
• Statystyka. Kurs video. Przewodnik dla student 128,71 zÅ‚, (39,90 zÅ‚ -69%)
• Microsoft Excel. Kurs video. Wykresy i wizualizacja danych 199,00 zÅ‚, (69,65 zÅ‚ -65%)
• Analiza danych w Tableau. Kurs video. Podstawy pracy analityka 249,00 zÅ‚, (87,15 zÅ‚ -65%)

Spis treści

Uczenie maszynowe w Pythonie. Leksykon kieszonkowy -- spis treści

Przedmowa 9

• Czego należy oczekiwać? 9
• Dla kogo jest ta książka? 10
• Konwencje typograficzne 10
• PrzykÅ‚ady kodów 11
• PodziÄ™kowania 11

Rozdział 1. Wprowadzenie 13

• Wykorzystywane biblioteki 13
• Instalowanie bibliotek za pomocÄ… programu pip 15
• Instalowanie bibliotek za pomocÄ… programu conda 16

Rozdział 2. Schemat procesu uczenia maszynowego 19

Rozdział 3. Klasyfikacja danych: baza Titanic 21

• Proponowany schemat projektu 21
• Importowane biblioteki 21
• Zadanie pytania 22
• Stosowana terminologia 22
• Zebranie danych 24
• Oczyszczanie danych 25
• Zdefiniowanie cech 30
• Próbkowanie danych 32
• Imputacja danych 32
• Normalizacja danych 33
• Refaktoryzacja kodu 34
• Model odniesienia 35
• Różne rodziny algorytmów 35
• Kontaminacja modeli 37
• Utworzenie modelu 37
• Ocena modelu 38
• Optymalizacja modelu 39
• Macierz pomyÅ‚ek 40
• Krzywa ROC 40
• Krzywa uczenia 42
• Wdrożenie modelu 43

Rozdział 4. Brakujące dane 45

• Badanie braków danych 45
• Pomijanie braków 49
• Imputacja danych 49
• Tworzenie kolumn ze wskaźnikami 50

Rozdział 5. Oczyszczanie danych 51

• Nazwy kolumn 51
• UzupeÅ‚nianie brakujÄ…cych wartoÅ›ci 52

Rozdział 6. Badanie danych 53

• Ilość danych 53
• Statystyki podsumowujÄ…ce 53
• Histogram 54
• Wykres punktowy 56
• Wykres Å‚Ä…czony 57
• Macierz wykresów 59
• Wykresy pudeÅ‚kowy i skrzypcowy 60
• Porównywanie dwóch cech porzÄ…dkowych 61
• Korelacja 63
• Wykres RadViz 66
• Wykres wspóÅ‚rzÄ™dnych równolegÅ‚ych 68

Rozdział 7. Wstępne przetwarzanie danych 71

• Normalizacja 71
• Skalowanie w zadanym zakresie 72
• Kolumny wskaźnikowe 73
• Kodowanie etykietowe 74
• Kodowanie czÄ™stoÅ›ciowe 74
• WyodrÄ™bnianie kategorii danych z ciÄ…gów znaków 75
• Inne rodzaje kodowania kolumn kategorialnych 76
• Przetwarzanie dat 78
• Tworzenie cechy col_na 79
• RÄ™czne przetwarzanie cech 79

Rozdział 8. Wybieranie cech 81

• Skorelowane kolumny danych 81
• Regresja lasso 83
• Rekurencyjna eliminacja cech 85
• Informacja wzajemna 86
• Analiza gÅ‚ównych skÅ‚adowych 87
• Ważność cech 87

RozdziaÅ‚ 9. Niezrównoważone klasy danych 89

• Wybór innego wskaźnika 89
• Algorytmy drzewa decyzyjnego i metody zespoÅ‚owe 89
• Penalizacja modeli 89
• Próbkowanie w górÄ™ mniej licznych klas 90
• Generowanie danych w mniej licznych klasach 91
• Próbkowanie w dóÅ‚ bardziej licznych klas 91
• Próbkowanie w górÄ™, a potem w dóÅ‚ 92

Rozdział 10. Klasyfikacja 93

• Regresja logistyczna 94
• Naiwny klasyfikator Bayesa 98
• Maszyna wektorów noÅ›nych 99
• K najbliższych sÄ…siadów 102
• Drzewo decyzyjne 104
• Las losowy 111
• XGBoost 115
• Model LightGBM z gradientowym wzmacnianiem 124
• TPOT 128

RozdziaÅ‚ 11. Wybór modelu 133

• Krzywa weryfikacji 133
• Krzywa uczenia 134

Rozdział 12. Wskaźniki i ocena klasyfikacji 137

• Tablica pomyÅ‚ek 137
• Wskaźniki 140
• DokÅ‚adność 141
• CzuÅ‚ość 141
• Precyzja 141
• F1 142
• Raport klasyfikacyjny 142
• Krzywa ROC 142
• Krzywa precyzja-czuÅ‚ość 144
• Krzywa skumulowanych zysków 145
• Krzywa podniesienia 147
• Równowaga klas 149
• BÅ‚Ä…d prognozowania klas 150
• Próg dyskryminacji 150

Rozdział 13. Interpretacja modelu 153

• WspóÅ‚czynniki regresji 153
• Ważność cech 153
• Pakiet LIME 153
• Interpretacja drzewa 155
• Wykres częściowych zależnoÅ›ci 156
• Modele zastÄ™pcze 158
• Pakiet Shapley 159

Rozdział 14. Regresja 163

• Model odniesienia 165
• Regresja liniowa 165
• Maszyna wektorów noÅ›nych 168
• K najbliższych sÄ…siadów 170
• Drzewo decyzyjne 172
• Las losowy 177
• XGBoost 180
• LightGBM 185

Rozdział 15. Wskaźniki i ocena regresji 191

• Wskaźniki 191
• Wykres reszt 193
• Heteroskedastyczność 194
• RozkÅ‚ad normalny reszt 195
• Wykres bÅ‚Ä™dów prognozowanych wyników 196

Rozdział 16. Interpretacja modelu regresyjnego 199

• Shapley 199

Rozdział 17. Redukcja wymiarowości danych 205

• Analiza gÅ‚ównych skÅ‚adowych 205
• UMAP 221
• t-SNE 226
• PHATE 230

Rozdział 18. Klastrowanie danych 233

• Algorytm k-Å›rednich 233
• Klastrowanie aglomeracyjne (hierarchiczne) 239
• Interpretowanie klastrów 241

Rozdział 19. Potoki 247

• Potok klasyfikacyjny 247
• Potok regresyjny 249
• Potok analizy gÅ‚ównych skÅ‚adowych 249