Uczenie maszynowe w Pythonie. Receptury. Wydanie II - Helion

Autor: Kyle Gallatin, Chris Albon
Tytuł oryginału: Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning, 2nd Edition
Tłumaczenie: Robert G
ISBN: 978-83-289-0811-6
stron: 398, Format: 165x235, okładka: mi
Księgarnia: Helion

Książka będzie dostępna od listopada 2023

Zobacz także »

Tagi: IT w ekonomii | Python - Programowanie | Uczenie maszynowe

W ci

Zobacz także:

Scrum. O zwinnym zarz 77,78 zł, (14,00 zł -82%)
Lean dla bystrzak 58,33 zł, (14,00 zł -76%)
Zakamarki marki. Rzeczy, o kt 53,85 zł, (14,00 zł -74%)
Psychologia Sprzeda 38,89 zł, (14,00 zł -64%)
Python w analizie danych. Przetwarzanie danych za pomoc 119,00 zł, (59,50 zł -50%)

Spis treści

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II -- 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. Wstępna alokacja tablicy NumPy
1.5. Pobieranie elementów
1.6. Opisywanie macierzy
1.7. Przeprowadzanie operacji na wszystkich elementach
1.8. Znajdowanie wartości maksymalnej i minimalnej
1.9. Obliczanie średniej, wariancji i odchylenia standardowego
1.10. Zmiana kształtu tablicy
1.11. Transponowanie wektora lub macierzy
1.12. Spłaszczanie macierzy
1.13. Znajdowanie rzędu macierzy
1.14. Pobieranie przekątnej macierzy
1.15. Obliczanie śladu 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 przykładowego 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 zapytań do bazy danych SQLite
2.9. Wykonywanie zapytań do zdalnej bazy danych SQL
2.10. Wczytywanie danych z Google Sheets
2.11. Wczytywanie danych z kubełka S3
2.12. Wczytywanie danych nieposiadających struktury

3. Przygotowywanie danych

3.0. Wprowadzenie
3.1. Tworzenie ramki danych
3.2. Opisywanie danych
3.3. Poruszanie się po ramce danych
3.4. Pobieranie wierszy na podstawie pewnych warunków
3.5. Sortowanie wartości
3.6. Zastępowanie wartości
3.7. Zmiana nazwy kolumny
3.8. Znajdowanie wartości minimalnej, maksymalnej, sumy, średniej i liczby elementów w kolumnie
3.9. Znajdowanie unikatowych wartości
3.10. Obsługa brakujących wartości
3.11. Usuwanie kolumn
3.12. Usuwanie wiersza
3.13. Usuwanie powielonych wierszy
3.14. Grupowanie wierszy według wartości
3.15. Grupowanie wierszy według czasu
3.16. Agregowanie operacji i danych statystycznych
3.17. Iterowanie przez kolumnę
3.18. Wywoływanie funkcji dla wszystkich elementów kolumny
3.19. Wywoływanie funkcji dla grupy
3.20. Konkatenacja obiektów typu DataFrame
3.21. Złączanie 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 odstających
4.7. Obsługa elementów odstających
4.8. Dyskretyzacja cech
4.9. Grupowanie obserwacji przy użyciu klastra
4.10. Usuwanie obserwacji, w których brakuje wartości
4.11. Uzupełnianie brakujących wartości

5. Obsługa danych kategoryzujących

5.0. Wprowadzenie
5.1. Kodowanie nominalnych cech kategoryzujących
5.2. Kodowanie porządkowych cech kategoryzujących
5.3. Kodowanie słowników cech
5.4. Wstawianie brakujących wartości klas
5.5. Obsługa 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 słów o małym znaczeniu
6.6. Stemming słów
6.7. Oznaczanie części mowy
6.8. Rozpoznawanie nazwanych jednostek
6.9. Kodowanie tekstu za pomocą modelu worka słów
6.10. Określanie wagi słów
6.11. Używanie wektorów tekstu do obliczania podobieństwa tekstu w zapytaniu wyszukiwania
6.12. Używanie klasyfikatora analizy sentymentu

7. Obsługa daty i godziny

7.0. Wprowadzenie
7.1. Konwertowanie ciągu tekstowego na datę
7.2. Obsługa stref czasowych
7.3. Pobieranie daty i godziny
7.4. Podział danych daty na wiele cech
7.5. Obliczanie różnicy między datami
7.6. Kodowanie dni tygodnia
7.7. Tworzenie cechy opóźnionej w czasie
7.8. Użycie okien upływającego czasu
7.9. Obsługa brakujących danych w serii danych zawierających wartości daty i godziny

8. Obsługa obrazów

8.0. Wprowadzenie
8.1. Wczytywanie obrazu
8.2. Zapisywanie obrazu
8.3. Zmiana wielkości obrazu
8.4. Kadrowanie obrazu
8.5. Rozmywanie obrazu
8.6. Wyostrzanie obrazu
8.7. Zwiększanie kontrastu
8.8. Izolowanie kolorów
8.9. Progowanie obrazu
8.10. Usuwanie tła obrazu
8.11. Wykrywanie krawędzi
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 pomocą OpenCV
8.17. Klasyfikowanie obrazów za pomocą PyTorch

9. Redukcja wymiarowości za pomocą wyodrębniania cech

9.0. Wprowadzenie
9.1. Redukowanie cech za pomocą głównych składowych
9.2. Redukowanie cech, gdy dane są liniowo nierozłączne
9.3. Redukowanie cech przez maksymalizację rozłączności klas
9.4. Redukowanie cech za pomocą rozkładu 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. Obsługa 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 wydajności klasyfikatora
11.8. Ocena modelu regresji
11.9. Ocena modelu klasteryzacji
11.10. Definiowanie niestandardowych współczynników oceny modelu
11.11. Wizualizacja efektu wywieranego przez wielkość zbioru uczącego
11.12. Tworzenie raportu tekstowego dotyczącego współczynnika oceny
11.13. Wizualizacja efektu wywieranego przez zmianę wartości hiperparametrów

12. Wybór modelu

12.0. Wprowadzenie
12.1. Wybór najlepszych modeli przy użyciu wyczerpującego wyszukiwania
12.2. Wybór najlepszych modeli za pomocą 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 pomocą równoległości
12.6. Przyspieszanie wyboru modelu przy użyciu metod charakterystycznych dla algorytmu
12.7. Ocena wydajności po wyborze modelu

13. Regresja liniowa

13.0. Wprowadzenie
13.1. Wyznaczanie linii
13.2. Obsługa wpływu interakcji
13.3. Wyznaczanie zależności nieliniowej
13.4. Redukowanie wariancji za pomocą regularyzacji
13.5. Redukowanie cech za pomocą regresji metodą 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 pomocą estymatora błędu out-of-bag
14.7. Identyfikacja ważnych cech w losowych lasach
14.8. Wybór ważnych cech w losowym lesie
14.9. Obsługa niezrównoważonych klas
14.10. Kontrolowanie wielkości drzewa
14.11. Poprawa wydajności za pomocą wzmocnienia
14.12. Wytrenowanie modelu XGBoost
14.13. Poprawianie wydajności w czasie rzeczywistym za pomocą LightGBM

15. Algorytm k najbliższych sąsiadów

15.0. Wprowadzenie
15.1. Wyszukiwanie najbliższych sąsiadów obserwacji
15.2. Tworzenie klasyfikatora k najbliższych sąsiadów
15.3. Ustalanie najlepszej wielkości sąsiedztwa
15.4. Tworzenie klasyfikatora najbliższych sąsiadów opartego na promieniu
15.5. Wyszukiwanie przybliżonych najbliższych sąsiadów
15.6. Ocena przybliżonych najbliższych sąsiadów

16. Regresja logistyczna

16.0. Wprowadzenie
16.1. Trenowanie klasyfikatora binarnego
16.2. Trenowanie klasyfikatora wieloklasowego
16.3. Redukcja wariancji poprzez regularyzację
16.4. Trenowanie klasyfikatora na bardzo dużych danych
16.5. Obsługa niezrównoważonych klas

17. Maszyna wektora nośnego

17.0. Wprowadzenie
17.1. Trenowanie klasyfikatora liniowego
17.2. Obsługa liniowo nierozdzielnych klas przy użyciu funkcji jądra
17.3. Określanie prognozowanego prawdopodobieństwa
17.4. Identyfikacja wektorów nośnych
17.5. Obsługa niezrównoważonych klas

18. Naiwny klasyfikator bayesowski

18.0. Wprowadzenie
18.1. Trenowanie klasyfikatora dla cech ciągłych
18.2. Trenowanie klasyfikatora dla cech dyskretnych lub liczebnych
18.3. Trenowanie naiwnego klasyfikatora bayesowskiego dla cech binarnych
18.4. Kalibrowanie prognozowanego prawdopodobieństwa

19. Klasteryzacja

19.0. Wprowadzenie
19.1. Klasteryzacja za pomocą k średnich
19.2. Przyspieszanie klasteryzacji za pomocą k średnich
19.3. Klasteryzacja za pomocą algorytmu meanshift
19.4. Klasteryzacja za pomocą algorytmu DBSCAN
19.5. Klasteryzacja za pomocą łączenia 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 wartości minimalnej i maksymalnej
20.8. Zmiana kształtu tensora
20.9. Transponowanie tensora
20.10. Spłaszczanie 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 pomocą regularyzacji wagi
21.10. Redukcja nadmiernego dopasowania za pomocą techniki wcześniejszego zakończenia procesu uczenia
21.11. Redukcja nadmiernego dopasowania za pomocą techniki porzucenia
21.12. Zapisywanie postępu modelu uczącego
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. Udostępnianie modeli scikit-learn
23.5. Udostępnianie modeli TensorFlow
23.6. Udostępnianie modeli PyTorch za pomocą Seldon