Osoby które kupowały "Uczenie maszynowe z językiem JavaScript. Rozwiązywanie złożonych problemów", wybierały także:

• Cisco CCNA 200-301. Kurs video. Administrowanie bezpieczeństwem sieci. Część 3 665,00 zł, (39,90 zł -94%)
• Cisco CCNA 200-301. Kurs video. Administrowanie urządzeniami Cisco. Część 2 665,00 zł, (39,90 zł -94%)
• Cisco CCNA 200-301. Kurs video. Podstawy sieci komputerowych i konfiguracji. Część 1 665,00 zł, (39,90 zł -94%)
• Impact of P2P and Free Distribution on Book Sales 427,14 zł, (29,90 zł -93%)
• Cisco CCNP Enterprise 350-401 ENCOR. Kurs video. Programowanie i automatyzacja sieci 443,33 zł, (39,90 zł -91%)

Spis treści

Uczenie maszynowe z językiem JavaScript. Rozwiązywanie złożonych problemów -- spis treści

O autorze 7

O recenzencie 8

Wstęp 9

Rozdział 1. Poznawanie potencjału języka JavaScript 15

• Język JavaScript 15
• Uczenie maszynowe 18
• Zalety i wyzwania związane ze stosowaniem języka JavaScript 20
• Inicjatywa CommonJS 21
• Node.js 22
• Język TypeScript 24
• Usprawnienia wprowadzone w ES6 26
  
  • Let i const 26
  • Klasy 27
  • Importowanie modułów 29
  • Funkcje strzałkowe 29
  • Literały obiektowe 31
  • Funkcja for...of 31
  • Obietnice 32
  • Funkcje async/wait 33
• Przygotowywanie środowiska programistycznego 34
  
  • Instalowanie Node.js 34
  • Opcjonalne zainstalowanie Yarn 35
  • Tworzenie i inicjowanie przykładowego projektu 35
  • Tworzenie projektu "Witaj, świecie!" 36
• Podsumowanie 38

Rozdział 2. Badanie danych 39

• Przetwarzanie danych 39
• Identyfikacja cech 42
  
  • Przekleństwo wymiarowości 43
  • Wybór cech oraz wyodrębnianie cech 45
  • Przykład korelacji Pearsona 48
• Czyszczenie i przygotowywanie danych 51
  
  • Obsługa brakujących danych 51
  • Obsługa szumów 53
  • Obsługa elementów odstających 58
  • Przekształcanie i normalizacja danych 61
• Podsumowanie 68

Rozdział 3. Przegląd algorytmów uczenia maszynowego 69

• Wprowadzenie do uczenia maszynowego 70
• Typy uczenia 70
  
  • Uczenie nienadzorowane 72
  • Uczenie nadzorowane 75
  • Uczenie przez wzmacnianie 83
• Kategorie algorytmów 84
  
  • Grupowanie 84
  • Klasyfikacja 84
  • Regresja 85
  • Redukcja wymiarowości 85
  • Optymalizacja 86
  • Przetwarzanie języka naturalnego 86
  • Przetwarzanie obrazów 87
• Podsumowanie 87

Rozdział 4. Algorytmy grupowania na podstawie klastrów 89

• Średnia i odległość 90
• Pisanie algorytmu k-średnich 93
  
  • Przygotowanie środowiska 93
  • Inicjalizacja algorytmu 94
  • Testowanie losowo wygenerowanych centroidów 99
  • Przypisywanie punktów do centroidów 100
  • Aktualizowanie położenia centroidów 102
  • Pętla główna 106
• Przykład 1. - k-średnich na prostych danych dwuwymiarowych 107
• Przykład 2. - dane trójwymiarowe 114
• Algorytm k-średnich, kiedy k nie jest znane 116
• Podsumowanie 122

Rozdział 5. Algorytmy klasyfikacji 123

• k najbliższych sąsiadów 124
  
  • Implementacja algorytmu KNN 125
• Naiwny klasyfikator bayesowski 138
  
  • Tokenizacja 140
  • Implementacja algorytmu 141
  • Przykład 3. - ocenianie charakteru recenzji filmów 150
• Maszyna wektorów nośnych 154
• Lasy losowe 162
• Podsumowanie 168

Rozdział 6. Algorytmy reguł asocjacyjnych 169

• Z matematycznego punktu widzenia 171
• Z punktu widzenia algorytmu 174
• Zastosowania reguły asocjacji 176
• Przykład - dane ze sprzedaży detalicznej 178
• Podsumowanie 182

Rozdział 7. Przewidywanie z użyciem algorytmów regresji 183

• Porównanie regresji i klasyfikacji 184
• Podstawy regresji 185
• Przykład 1. - regresja liniowa 189
• Przykład 2. - regresja wykładnicza 193
• Przykład 3. - regresja wielomianowa 198
• Inne techniki analizy szeregów czasowych 200
  
  • Filtrowanie 201
  • Analiza sezonowości 203
  • Analiza fourierowska 204
• Podsumowanie 206

Rozdział 8. Algorytmy sztucznych sieci neuronowych 209

• Opis koncepcji sieci neuronowych 210
• Uczenie metodą propagacji wstecznej 214
• Przykład - XOR z użyciem TensorFlow.js 217
• Podsumowanie 224

Rozdział 9. Głębokie sieci neuronowe 227

• Konwolucyjne sieci neuronowe 228
  
  • Konwolucje oraz warstwy konwolucyjne 229
  • Przykład - zbiór MNIST ręcznie zapisanych cyfr 234
• Rekurencyjne sieci neuronowe 241
  
  • SimpleRNN 242
  • Topologia GRU 246
  • Długa pamięć krótkoterminowa - LSTM 249
• Podsumowanie 252

Rozdział 10. Przetwarzanie języka naturalnego w praktyce 253

• Odległość edycyjna 255
• Ważenie termów - odwrotna częstość w dokumentach 257
• Tokenizacja 263
• Stemming 270
• Fonetyka 272
• Oznaczanie części mowy 274
• Techniki przekazywania słów do sieci neuronowych 276
• Podsumowanie 279

Rozdział 11. Stosowanie uczenia maszynowego w aplikacjach czasu rzeczywistego 281

• Serializacja modeli 282
  
  • Uczenie modeli na serwerze 283
  • Wątki robocze 286
  • Modele samodoskonalące oraz spersonalizowane 287
• Potokowanie danych 290
  
  • Przeszukiwanie danych 291
  • Łączenie i agregacja danych 293
  • Przekształcenia i normalizacja 295
  • Przechowywanie i dostarczanie danych 298
• Podsumowanie 300

Rozdział 12. Wybieranie najlepszego algorytmu dla aplikacji 303

• Tryb uczenia 305
• Zadanie do wykonania 308
• Format, postać, wejście i wyjście 309
• Dostępne zasoby 312
• W razie problemów 313
• Łączenie modeli 316
• Podsumowanie 318

Skorowidz 321