W ci

Osoby które kupowały "Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II", wybierały także:

• Statystyka. Podr 19,71 zÅ‚, (6,90 zÅ‚ -65%)
• Scrum. O zwinnym zarz 78,98 zÅ‚, (31,59 zÅ‚ -60%)
• Lean dla bystrzak 59,90 zÅ‚, (23,96 zÅ‚ -60%)
• Psychologia Sprzeda 39,90 zÅ‚, (15,96 zÅ‚ -60%)
• Zakamarki marki. Rzeczy, o kt 54,90 zÅ‚, (21,96 zÅ‚ -60%)

Spis treści

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II eBook -- spis treści

Wprowadzenie

1. Wektor, macierz i tablica

• 1.0. Wprowadzenie
• 1.1. Tworzenie wektora
• 1.2. Tworzenie macierzy
• 1.3. Tworzenie macierzy rzadkiej
• 1.4. WstÄ™pna alokacja tablicy NumPy
• 1.5. Pobieranie elementów
• 1.6. Opisywanie macierzy
• 1.7. Przeprowadzanie operacji na wszystkich elementach
• 1.8. Znajdowanie wartoÅ›ci maksymalnej i minimalnej
• 1.9. Obliczanie Å›redniej, wariancji i odchylenia standardowego
• 1.10. Zmiana ksztaÅ‚tu tablicy
• 1.11. Transponowanie wektora lub macierzy
• 1.12. SpÅ‚aszczanie macierzy
• 1.13. Znajdowanie rzÄ™du macierzy
• 1.14. Pobieranie przekÄ…tnej macierzy
• 1.15. Obliczanie Å›ladu macierzy
• 1.16. Obliczanie iloczynu skalarnego
• 1.17. Dodawanie i odejmowanie macierzy
• 1.18. Mnożenie macierzy
• 1.19. Odwracanie macierzy
• 1.20. Generowanie liczb losowych

2. Wczytywanie danych

• 2.0. Wprowadzenie
• 2.1. Wczytywanie przykÅ‚adowego zbioru danych
• 2.2. Tworzenie symulowanego zbioru danych
• 2.3. Wczytywanie pliku CSV
• 2.4. Wczytywanie pliku Excela
• 2.5. Wczytywanie pliku JSON
• 2.6. Wczytywanie pliku Parquet
• 2.7. Wczytywanie pliku Avro
• 2.8. Wykonywanie zapytaÅ„ do bazy danych SQLite
• 2.9. Wykonywanie zapytaÅ„ do zdalnej bazy danych SQL
• 2.10. Wczytywanie danych z Google Sheets
• 2.11. Wczytywanie danych z kubeÅ‚ka S3
• 2.12. Wczytywanie danych nieposiadajÄ…cych struktury

3. Przygotowywanie danych

• 3.0. Wprowadzenie
• 3.1. Tworzenie ramki danych
• 3.2. Opisywanie danych
• 3.3. Poruszanie siÄ™ po ramce danych
• 3.4. Pobieranie wierszy na podstawie pewnych warunków
• 3.5. Sortowanie wartoÅ›ci
• 3.6. ZastÄ™powanie wartoÅ›ci
• 3.7. Zmiana nazwy kolumny
• 3.8. Znajdowanie wartoÅ›ci minimalnej, maksymalnej, sumy, Å›redniej i liczby elementów w kolumnie
• 3.9. Znajdowanie unikatowych wartoÅ›ci
• 3.10. ObsÅ‚uga brakujÄ…cych wartoÅ›ci
• 3.11. Usuwanie kolumn
• 3.12. Usuwanie wiersza
• 3.13. Usuwanie powielonych wierszy
• 3.14. Grupowanie wierszy wedÅ‚ug wartoÅ›ci
• 3.15. Grupowanie wierszy wedÅ‚ug czasu
• 3.16. Agregowanie operacji i danych statystycznych
• 3.17. Iterowanie przez kolumnÄ™
• 3.18. WywoÅ‚ywanie funkcji dla wszystkich elementów kolumny
• 3.19. WywoÅ‚ywanie funkcji dla grupy
• 3.20. Konkatenacja obiektów typu DataFrame
• 3.21. ZÅ‚Ä…czanie obiektów typu DataFrame

4. Obsługa danych liczbowych

• 4.0. Wprowadzenie
• 4.1. Przeskalowywanie cechy
• 4.2. Standaryzowanie cechy
• 4.3. Normalizowanie obserwacji
• 4.4. Generowanie cech wielomianowych i interakcji
• 4.5. Transformacja cech
• 4.6. Wykrywanie elementów odstajÄ…cych
• 4.7. ObsÅ‚uga elementów odstajÄ…cych
• 4.8. Dyskretyzacja cech
• 4.9. Grupowanie obserwacji przy użyciu klastra
• 4.10. Usuwanie obserwacji, w których brakuje wartoÅ›ci
• 4.11. UzupeÅ‚nianie brakujÄ…cych wartoÅ›ci

5. Obsługa danych kategoryzujących

• 5.0. Wprowadzenie
• 5.1. Kodowanie nominalnych cech kategoryzujÄ…cych
• 5.2. Kodowanie porzÄ…dkowych cech kategoryzujÄ…cych
• 5.3. Kodowanie sÅ‚owników cech
• 5.4. Wstawianie brakujÄ…cych wartoÅ›ci klas
• 5.5. ObsÅ‚uga niezrównoważonych klas

6. Obsługa tekstu

• 6.0. Wprowadzenie
• 6.1. Oczyszczanie tekstu
• 6.2. Przetwarzanie i oczyszczanie danych HTML
• 6.3. Usuwanie znaku przestankowego
• 6.4. Tokenizacja tekstu
• 6.5. Usuwanie sÅ‚ów o maÅ‚ym znaczeniu
• 6.6. Stemming sÅ‚ów
• 6.7. Oznaczanie części mowy
• 6.8. Rozpoznawanie nazwanych jednostek
• 6.9. Kodowanie tekstu za pomocÄ… modelu worka sÅ‚ów
• 6.10. OkreÅ›lanie wagi sÅ‚ów
• 6.11. Używanie wektorów tekstu do obliczania podobieÅ„stwa tekstu w zapytaniu wyszukiwania
• 6.12. Używanie klasyfikatora analizy sentymentu

7. Obsługa daty i godziny

• 7.0. Wprowadzenie
• 7.1. Konwertowanie ciÄ…gu tekstowego na datÄ™
• 7.2. ObsÅ‚uga stref czasowych
• 7.3. Pobieranie daty i godziny
• 7.4. PodziaÅ‚ danych daty na wiele cech
• 7.5. Obliczanie różnicy miÄ™dzy datami
• 7.6. Kodowanie dni tygodnia
• 7.7. Tworzenie cechy opóźnionej w czasie
• 7.8. Użycie okien upÅ‚ywajÄ…cego czasu
• 7.9. ObsÅ‚uga brakujÄ…cych danych w serii danych zawierajÄ…cych wartoÅ›ci daty i godziny

8. ObsÅ‚uga obrazów

• 8.0. Wprowadzenie
• 8.1. Wczytywanie obrazu
• 8.2. Zapisywanie obrazu
• 8.3. Zmiana wielkoÅ›ci obrazu
• 8.4. Kadrowanie obrazu
• 8.5. Rozmywanie obrazu
• 8.6. Wyostrzanie obrazu
• 8.7. ZwiÄ™kszanie kontrastu
• 8.8. Izolowanie kolorów
• 8.9. Progowanie obrazu
• 8.10. Usuwanie tÅ‚a obrazu
• 8.11. Wykrywanie krawÄ™dzi
• 8.12. Wykrywanie narożników w obrazie
• 8.13. Tworzenie cech w uczeniu maszynowym
• 8.14. Użycie histogramu koloru jako cechy
• 8.15. Użycie wytrenowanych embeddingów jako cech
• 8.16. Wykrywanie obiektów za pomocÄ… OpenCV
• 8.17. Klasyfikowanie obrazów za pomocÄ… PyTorch

9. Redukcja wymiarowości za pomocą wyodrębniania cech

• 9.0. Wprowadzenie
• 9.1. Redukowanie cech za pomocÄ… gÅ‚ównych skÅ‚adowych
• 9.2. Redukowanie cech, gdy dane sÄ… liniowo nierozÅ‚Ä…czne
• 9.3. Redukowanie cech przez maksymalizacjÄ™ rozÅ‚Ä…cznoÅ›ci klas
• 9.4. Redukowanie cech za pomocÄ… rozkÅ‚adu macierzy
• 9.5. Redukowanie cech w rzadkich danych

10. Redukcja wymiarowości za pomocą wyboru cech

• 10.0. Wprowadzenie
• 10.1. Progowanie wariancji cechy liczbowej
• 10.2. Progowanie wariancji cechy binarnej
• 10.3. ObsÅ‚uga wysoce skorelowanych cech
• 10.4. Usuwanie nieistotnych dla klasyfikacji cech
• 10.5. Rekurencyjne eliminowanie cech

11. Ocena modelu

• 11.0. Wprowadzenie
• 11.1. Modele sprawdzianu krzyżowego
• 11.2. Tworzenie modelu regresji bazowej
• 11.3. Tworzenie modelu klasyfikacji bazowej
• 11.4. Ocena prognoz klasyfikatora binarnego
• 11.5. Ocena progowania klasyfikatora binarnego
• 11.6. Ocena prognoz klasyfikatora wieloklasowego
• 11.7. Wizualizacja wydajnoÅ›ci klasyfikatora
• 11.8. Ocena modelu regresji
• 11.9. Ocena modelu klasteryzacji
• 11.10. Definiowanie niestandardowych wspóÅ‚czynników oceny modelu
• 11.11. Wizualizacja efektu wywieranego przez wielkość zbioru uczÄ…cego
• 11.12. Tworzenie raportu tekstowego dotyczÄ…cego wspóÅ‚czynnika oceny
• 11.13. Wizualizacja efektu wywieranego przez zmianÄ™ wartoÅ›ci hiperparametrów

12. Wybór modelu

• 12.0. Wprowadzenie
• 12.1. Wybór najlepszych modeli przy użyciu wyczerpujÄ…cego wyszukiwania
• 12.2. Wybór najlepszych modeli za pomocÄ… przeszukiwania losowego
• 12.3. Wybór najlepszych modeli z wielu algorytmów uczenia maszynowego
• 12.4. Wybór najlepszych modeli na etapie przygotowywania danych
• 12.5. Przyspieszanie wyboru modelu za pomocÄ… równolegÅ‚oÅ›ci
• 12.6. Przyspieszanie wyboru modelu przy użyciu metod charakterystycznych dla algorytmu
• 12.7. Ocena wydajnoÅ›ci po wyborze modelu

13. Regresja liniowa

• 13.0. Wprowadzenie
• 13.1. Wyznaczanie linii
• 13.2. ObsÅ‚uga wpÅ‚ywu interakcji
• 13.3. Wyznaczanie zależnoÅ›ci nieliniowej
• 13.4. Redukowanie wariancji za pomocÄ… regularyzacji
• 13.5. Redukowanie cech za pomocÄ… regresji metodÄ… LASSO

14. Drzewa i lasy

• 14.0. Wprowadzenie
• 14.1. Trenowanie klasyfikatora drzewa decyzyjnego
• 14.2. Trenowanie regresora drzewa decyzyjnego
• 14.3. Wizualizacja modelu drzewa decyzyjnego
• 14.4. Trenowanie klasyfikatora losowego lasu
• 14.5. Trenowanie regresora losowego lasu
• 14.6. Ocena losowego lasu za pomocÄ… estymatora bÅ‚Ä™du out-of-bag
• 14.7. Identyfikacja ważnych cech w losowych lasach
• 14.8. Wybór ważnych cech w losowym lesie
• 14.9. ObsÅ‚uga niezrównoważonych klas
• 14.10. Kontrolowanie wielkoÅ›ci drzewa
• 14.11. Poprawa wydajnoÅ›ci za pomocÄ… wzmocnienia
• 14.12. Wytrenowanie modelu XGBoost
• 14.13. Poprawianie wydajnoÅ›ci w czasie rzeczywistym za pomocÄ… LightGBM

15. Algorytm k najbliższych sÄ…siadów

• 15.0. Wprowadzenie
• 15.1. Wyszukiwanie najbliższych sÄ…siadów obserwacji
• 15.2. Tworzenie klasyfikatora k najbliższych sÄ…siadów
• 15.3. Ustalanie najlepszej wielkoÅ›ci sÄ…siedztwa
• 15.4. Tworzenie klasyfikatora najbliższych sÄ…siadów opartego na promieniu
• 15.5. Wyszukiwanie przybliżonych najbliższych sÄ…siadów
• 15.6. Ocena przybliżonych najbliższych sÄ…siadów

16. Regresja logistyczna

• 16.0. Wprowadzenie
• 16.1. Trenowanie klasyfikatora binarnego
• 16.2. Trenowanie klasyfikatora wieloklasowego
• 16.3. Redukcja wariancji poprzez regularyzacjÄ™
• 16.4. Trenowanie klasyfikatora na bardzo dużych danych
• 16.5. ObsÅ‚uga niezrównoważonych klas

17. Maszyna wektora nośnego

• 17.0. Wprowadzenie
• 17.1. Trenowanie klasyfikatora liniowego
• 17.2. ObsÅ‚uga liniowo nierozdzielnych klas przy użyciu funkcji jÄ…dra
• 17.3. OkreÅ›lanie prognozowanego prawdopodobieÅ„stwa
• 17.4. Identyfikacja wektorów noÅ›nych
• 17.5. ObsÅ‚uga niezrównoważonych klas

18. Naiwny klasyfikator bayesowski

• 18.0. Wprowadzenie
• 18.1. Trenowanie klasyfikatora dla cech ciÄ…gÅ‚ych
• 18.2. Trenowanie klasyfikatora dla cech dyskretnych lub liczebnych
• 18.3. Trenowanie naiwnego klasyfikatora bayesowskiego dla cech binarnych
• 18.4. Kalibrowanie prognozowanego prawdopodobieÅ„stwa

19. Klasteryzacja

• 19.0. Wprowadzenie
• 19.1. Klasteryzacja za pomocÄ… k Å›rednich
• 19.2. Przyspieszanie klasteryzacji za pomocÄ… k Å›rednich
• 19.3. Klasteryzacja za pomocÄ… algorytmu meanshift
• 19.4. Klasteryzacja za pomocÄ… algorytmu DBSCAN
• 19.5. Klasteryzacja za pomocÄ… Å‚Ä…czenia hierarchicznego

20. Tensory w PyTorch

• 20.0. Wprowadzenie
• 20.1. Utworzenie tensora
• 20.2. Utworzenie tensora z poziomu NumPy
• 20.3. Utworzenie tensora rzadkiego
• 20.4. Wybór elementów tensora
• 20.5. Opisanie tensora
• 20.6. Przeprowadzanie operacji na elementach tensora
• 20.7. Wyszukiwanie wartoÅ›ci minimalnej i maksymalnej
• 20.8. Zmiana ksztaÅ‚tu tensora
• 20.9. Transponowanie tensora
• 20.10. SpÅ‚aszczanie tensora
• 20.11. Obliczanie iloczynu skalarnego
• 20.12. Mnożenie tensorów

21. Sieci neuronowe

• 21.0. Wprowadzenie
• 21.1. Używanie silnika Autograd frameworka PyTorch
• 21.2. Przygotowywanie danych dla sieci neuronowej
• 21.3. Projektowanie sieci neuronowej
• 21.4. Trenowanie klasyfikatora binarnego
• 21.5. Trenowanie klasyfikatora wieloklasowego
• 21.6. Trenowanie regresora
• 21.7. Generowanie prognoz
• 21.8. Wizualizacja historii trenowania
• 21.9. Redukcja nadmiernego dopasowania za pomocÄ… regularyzacji wagi
• 21.10. Redukcja nadmiernego dopasowania za pomocÄ… techniki wczeÅ›niejszego zakoÅ„czenia procesu uczenia
• 21.11. Redukcja nadmiernego dopasowania za pomocÄ… techniki porzucenia
• 21.12. Zapisywanie postÄ™pu modelu uczÄ…cego
• 21.13. Dostrajanie sieci neuronowej
• 21.14. Wizualizacja sieci neuronowej

22. Sieci neuronowe dla danych pozbawionych struktury

• 22.0. Wprowadzenie
• 22.1. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji obrazów
• 22.2. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji tekstu
• 22.3. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji obrazu
• 22.4. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji tekstu

23. Zapisywanie, wczytywanie i udostępnianie wytrenowanych modeli

• 23.0. Wprowadzenie
• 23.1. Zapisywanie i wczytywanie modelu biblioteki scikit-learn
• 23.2. Zapisywanie i wczytywanie modelu biblioteki TensorFlow
• 23.3. Zapisywanie i wczytywanie modelu PyTorch
• 23.4. UdostÄ™pnianie modeli scikit-learn
• 23.5. UdostÄ™pnianie modeli TensorFlow
• 23.6. UdostÄ™pnianie modeli PyTorch za pomocÄ… Seldon