Uczenie maszynowe polega na przekszta

Osoby które kupowały "Uczenie maszynowe w j", wybierały także:

• R i pakiet shiny. Kurs video. Interaktywne aplikacje w analizie danych 148,98 zÅ‚, (59,59 zÅ‚ -60%)
• Zaawansowana analiza danych. Jak przej 59,90 zÅ‚, (29,95 zÅ‚ -50%)
• Statystyka praktyczna w data science. 50 kluczowych zagadnieÅ„ w jÄ™zykach R i Python. Wydanie II 69,00 zÅ‚, (34,50 zÅ‚ -50%)
• JÄ™zyk R. Receptury. Analiza danych, statystyka i przetwarzanie grafiki. Wydanie II 89,00 zÅ‚, (44,50 zÅ‚ -50%)
• Deep Learning. Praca z jÄ™zykiem R i bibliotekÄ… Keras 77,00 zÅ‚, (38,50 zÅ‚ -50%)

Spis treści

Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV eBook -- spis treści

O autorze

O recenzencie

Przedmowa

Rozdział 1. Wprowadzenie do uczenia maszynowego

• PoczÄ…tki uczenia maszynowego
• Użycia i nadużycia uczenia maszynowego
  • Sukcesy uczenia maszynowego
  • Ograniczenia uczenia maszynowego
  • Etyka uczenia maszynowego
• Jak uczÄ… siÄ™ maszyny?
  • Zachowywanie danych
  • Abstrakcja
  • Generalizacja
  • Ewaluacja
• Uczenie maszynowe w praktyce
  • Typy danych wejÅ›ciowych
  • Typy algorytmów uczenia maszynowego
  • Dopasowywanie danych wejÅ›ciowych do algorytmów
• Uczenie maszynowe w jÄ™zyku R
  • Instalowanie pakietów R
  • Wczytywanie pakietów R i usuwanie ich z pamiÄ™ci
  • Instalowanie RStudio
  • Dlaczego R i dlaczego teraz?
• Podsumowanie

Rozdział 2. Zarządzanie danymi

• Struktury danych jÄ™zyka R
  • Wektory
  • Czynniki
  • Listy
  • Ramki danych
  • Macierze i tablice
• ZarzÄ…dzanie danymi w jÄ™zyku R
  • Wczytywanie, zapisywanie i usuwanie struktur danych R
  • Importowanie i zapisywanie zbiorów danych z plików CSV
  • Importowanie typowych formatów zbiorów danych do RStudio
• Badanie i rozumienie danych
  • Badanie struktury danych
  • Badanie cech liczbowych
  • Badanie cech kategorycznych
  • Eksplorowanie relacji miÄ™dzy cechami
• Podsumowanie

RozdziaÅ‚ 3. Uczenie leniwe - klasyfikacja metodÄ… najbliższych sÄ…siadów

• Klasyfikacja metodÄ… najbliższych sÄ…siadów
  • Algorytm k-NN
  • Dlaczego algorytm k-NN jest "leniwy"?
• PrzykÅ‚ad - diagnozowanie raka piersi a pomocÄ… algorytmu k-NN
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• Podsumowanie

Rozdział 4. Uczenie probabilistyczne - naiwny klasyfikator bayesowski

• Naiwny klasyfikator bayesowski
  • Podstawowe zaÅ‚ożenia metod bayesowskich
  • Naiwny klasyfikator bayesowski
• PrzykÅ‚ad - filtrowanie spamu w telefonach komórkowych za pomocÄ… naiwnego klasyfikatora bayesowskiego
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ocena dziaÅ‚ania modelu
  • Etap 5. Ulepszanie modelu
• Podsumowanie

Rozdział 5. Dziel i zwyciężaj - klasyfikacja z wykorzystaniem drzew decyzyjnych i reguł

• Drzewa decyzyjne
  • Dziel i zwyciężaj
  • Algorytm drzewa decyzyjnego C5.0
• PrzykÅ‚ad - identyfikowanie ryzykownych pożyczek za pomocÄ… drzew decyzyjnych C5.0
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ocena dziaÅ‚ania modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• ReguÅ‚y klasyfikacji
  • Wydzielaj i zwyciężaj
  • Algorytm 1R
  • Algorytm RIPPER
  • ReguÅ‚y z drzew decyzyjnych
  • Dlaczego drzewa i reguÅ‚y sÄ… "zachÅ‚anne"?
• PrzykÅ‚ad - identyfikowanie trujÄ…cych grzybów za pomocÄ… algorytmu uczÄ…cego siÄ™ reguÅ‚
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• Podsumowanie

Rozdział 6. Prognozowanie danych liczbowych - metody regresji

• Regresja
  • Prosta regresja liniowa
  • Metoda zwykÅ‚ych najmniejszych kwadratów
  • Korelacje
  • Wieloraka regresja liniowa
  • Uogólnione modele liniowe i regresja logistyczna
• PrzykÅ‚ad - przewidywanie kosztów likwidacji szkód z wykorzystaniem regresji liniowej
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
  • Krok dalej - przewidywanie odpÅ‚ywu ubezpieczonych z wykorzystaniem regresji logistycznej
• Drzewa regresji i drzewa modeli
  • Dodawanie regresji do drzew
• PrzykÅ‚ad - ocenianie jakoÅ›ci win za pomocÄ… drzew regresji i drzew modeli
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• Podsumowanie

RozdziaÅ‚ 7. Czarne skrzynki - sieci neuronowe i maszyny wektorów noÅ›nych

• Sieci neuronowe
  • Od neuronów biologicznych do sztucznych
  • Funkcje aktywacji
  • Topologia sieci
  • Trenowanie sieci neuronowej za pomocÄ… propagacji wstecznej
• PrzykÅ‚ad - modelowanie wytrzymaÅ‚oÅ›ci betonu za pomocÄ… sieci ANN
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• Maszyny wektorów noÅ›nych
  • Klasyfikacja za pomocÄ… hiperpÅ‚aszczyzn
  • Używanie funkcji jÄ…drowych w przestrzeniach nieliniowych
• PrzykÅ‚ad - optyczne rozpoznawanie znaków za pomocÄ… modelu SVM
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• Podsumowanie

RozdziaÅ‚ 8. Znajdowanie wzorców - analiza koszyka z wykorzystaniem reguÅ‚ asocjacyjnych

• ReguÅ‚y asocjacyjne
  • Algorytm Apriori do nauki reguÅ‚ asocjacyjnych
  • Mierzenie istotnoÅ›ci reguÅ‚ - wsparcie i ufność
  • Budowanie zbioru reguÅ‚ z wykorzystaniem zasady Apriori
• PrzykÅ‚ad - identyfikowanie czÄ™sto kupowanych artykuÅ‚ów spożywczych za pomocÄ… reguÅ‚ asocjacyjnych
  • Etap 1. Gromadzenie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• Podsumowanie

Rozdział 9. Znajdowanie grup danych - klasteryzacja metodą k-średnich

• Klasteryzacja
  • Klasteryzacja jako zadanie uczenia maszynowego
  • Klastry algorytmów klasteryzacji
  • Klasteryzacja metodÄ… k-Å›rednich
• Znajdowanie segmentów rynkowych wÅ›ród nastolatków poprzez klasteryzacjÄ™ metodÄ… k-Å›rednich
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie dziaÅ‚ania modelu
• Podsumowanie

Rozdział 10. Ewaluacja działania modelu

• Mierzenie trafnoÅ›ci klasyfikacji
  • Rozumienie prognoz klasyfikatora
  • Bliższe spojrzenie na macierze bÅ‚Ä™dów
  • Używanie macierzy bÅ‚Ä™dów do mierzenia trafnoÅ›ci
  • Nie tylko dokÅ‚adność - inne miary trafnoÅ›ci
  • Wizualizacja kompromisów za pomocÄ… krzywych ROC
• Szacowanie przyszÅ‚ej trafnoÅ›ci
  • Metoda wstrzymywania
  • Walidacja krzyżowa
  • Próbkowanie bootstrapowe
• Podsumowanie

Rozdział 11. Jak odnieść sukces w uczeniu maszynowym?

• Co decyduje o sukcesie praktyka uczenia maszynowego?
• Co decyduje o sukcesie modelu uczenia maszynowego?
  • Unikanie oczywistych prognoz
  • Przeprowadzanie uczciwych ewaluacji
  • UwzglÄ™dnianie realiów
  • Budowanie zaufania do modelu
• WiÄ™cej "nauki" w "nauce o danych"
  • Notatniki R i znakowanie R
  • Zaawansowane badanie danych
• Podsumowanie

Rozdział 12. Zaawansowane przygotowywanie danych

• Inżynieria cech
  • Rola czÅ‚owieka i maszyny
  • WpÅ‚yw big data i uczenia gÅ‚Ä™bokiego
• Praktyczna inżynieria cech
  • Podpowiedź 1. Znajdź nowe cechy podczas burzy mózgów
  • Podpowiedź 2. Znajdź spostrzeżenia ukryte w tekÅ›cie
  • Podpowiedź 3. PrzeksztaÅ‚caj zakresy liczbowe
  • Podpowiedź 4. Obserwuj zachowanie sÄ…siadów
  • Podpowiedź 5. Wykorzystaj powiÄ…zane wiersze
  • Podpowiedź 6. Dekomponuj szeregi czasowe
  • Podpowiedź 7. DoÅ‚Ä…cz dane zewnÄ™trzne
• tidyverse
  • "Schludne" struktury tabelaryczne - obiekty tibble
  • Szybsze odczytywanie plików prostokÄ…tnych za pomocÄ… pakietów readr i readxl
  • Przygotowywanie i potokowe przetwarzanie danych za pomocÄ… pakietu dplyr
  • PrzeksztaÅ‚canie tekstu za pomocÄ… pakietu stringr
  • Czyszczenie danych za pomocÄ… pakietu lubridate
• Podsumowanie

Rozdział 13. Trudne dane - za duże, za małe, zbyt złożone

• Dane wysokowymiarowe
  • Stosowanie selekcji cech
  • Ekstrakcja cech
• Używanie danych rozrzedzonych
  • Identyfikowanie danych rozrzedzonych
  • PrzykÅ‚ad - zmiana odwzorowania rozrzedzonych danych kategorycznych
  • PrzykÅ‚ad - dzielenie rozrzedzonych danych liczbowych na przedziaÅ‚y
• ObsÅ‚uga brakujÄ…cych danych
  • Typy brakujÄ…cych danych
  • Imputacja brakujÄ…cych wartoÅ›ci
• Problem niezrównoważonych danych
  • Proste strategie przywracania równowagi danych
  • Generowanie syntetycznego zrównoważonego zbioru danych z wykorzystaniem algorytmu SMOTE
  • Czy zrównoważone zawsze znaczy lepsze?
• Podsumowanie

Rozdział 14. Budowanie lepiej uczących się modeli

• Dostrajanie standardowych modeli
  • OkreÅ›lanie zakresu dostrajania hiperparametrów
  • PrzykÅ‚ad - automatyczne dostrajanie za pomocÄ… pakietu caret
• ZwiÄ™kszanie trafnoÅ›ci modeli za pomocÄ… zespoÅ‚ów
  • Uczenie zespoÅ‚owe
  • Popularne algorytmy zespoÅ‚owe
• SpiÄ™trzanie modeli do celów metanauki
  • SpiÄ™trzanie i mieszanie modeli
  • Praktyczne metody mieszania i spiÄ™trzania w jÄ™zyku R
• Podsumowanie

Rozdział 15. Praca z big data

• Praktyczne zastosowania uczenia gÅ‚Ä™bokiego
  • Pierwsze kroki w uczeniu gÅ‚Ä™bokim
  • Konwolucyjne sieci neuronowe
• Uczenie nienadzorowane a big data
  • Reprezentowanie koncepcji wysokowymiarowych jako osadzeÅ„
  • Wizualizacja danych wysokowymiarowych
• Adaptowanie jÄ™zyka R do obsÅ‚ugi dużych zbiorów danych
  • Odpytywanie baz danych SQL
  • Szybsza praca dziÄ™ki przetwarzaniu równolegÅ‚emu
  • Używanie wyspecjalizowanego sprzÄ™tu i algorytmów
• Podsumowanie