Uczenie maszynowe przyczyniÅ‚o siÄ™ do powstania wielu innowacyjnych technologii. Pojazdy autonomiczne, mechanizmy rozpoznawania obrazów, badania genetyczne, a także dynamiczne dostosowywanie prezentowanych treÅ›ci do preferencji odbiorcy to tylko niektóre przykÅ‚ady. MożliwoÅ›ci zwiÄ…zane z rozwojem tych technik sprawiajÄ…, że analityka danych i zaawansowane uczenie maszynowe stajÄ… siÄ™ wyjÄ…tkowo cennÄ… wiedzÄ…. Dotyczy to szczególnie nowatorskich technik analizy danych, takich jak gÅ‚Ä™bokie uczenie, algorytmy częściowo nadzorowane i metody zespoÅ‚owe.

Niniejsza książka jest przystÄ™pnie napisanym podrÄ™cznikiem, dziÄ™ki któremu poznasz niektóre zaawansowane techniki uczenia maszynowego. SzczególnÄ… uwagÄ™ poÅ›wiÄ™cono tu algorytmom uczenia maszynowego: zostaÅ‚y dokÅ‚adnie wyjaÅ›nione, opisano ich zastosowanie oraz topologiÄ™, metody uczenia i miary wydajnoÅ›ci. Każdy rozdziaÅ‚ uzupeÅ‚niono o wykaz źródeÅ‚, pomocny w dalszym zgÅ‚Ä™bianiu tematu. Dodatkowo przedstawiono wiele cennych wskazówek dotyczÄ…cych specyfiki pracy analityka danych. Do prezentacji przykÅ‚adów wybrano jÄ™zyk Python z uwagi na jego wszechstronność, elastyczność, prostotÄ™ oraz możliwość stosowania do specjalistycznych zadaÅ„.

Najważniejsze zagadnienia przedstawione w książce:

• identyfikacja struktur i wzorców w zbiorach danych
• stosowanie sieci neuronowych
• praca z jÄ™zykiem naturalnym
• modele zespoÅ‚owe i poprawa ich elastycznoÅ›ci
• narzÄ™dzia uczenia maszynowego w Pythonie

Zaawansowane uczenie maszynowe — poznaj algorytmy przyszÅ‚oÅ›ci!

John Hearty — jest autorytetem w dziedzinie analityki danych i inżynierii infrastruktury. Przez pewien czas zajmowaÅ‚ siÄ™ modelowaniem zachowaÅ„ gracza i infrastrukturÄ… dużych zbiorów danych w Microsofcie. Ważniejszymi jego projektami byÅ‚y modelowanie umiejÄ™tnoÅ›ci gracza w grach asymetrycznych i modele segmentacji graczy majÄ…ce na celu zindywidualizowanie rozgrywki. Obecnie Hearty jest niezależnym ekspertem, szczególnie cenionym przez zespoÅ‚y zajmujÄ…ce siÄ™ eksploracjÄ… danych. W wolnym czasie tworzy modele uczenia maszynowego w Pythonie.

Osoby które kupowały "Zaawansowane uczenie maszynowe z językiem Python", wybierały także:

• GraphQL. Kurs video. Buduj nowoczesne API w Pythonie 169,00 zÅ‚, (50,70 zÅ‚ -70%)
• Receptura na Python. Kurs Video. 54 praktyczne porady dla programist 199,00 zÅ‚, (59,70 zÅ‚ -70%)
• Podstawy Pythona z Minecraftem. Kurs video. Piszemy pierwsze skrypty 149,00 zÅ‚, (44,70 zÅ‚ -70%)
• Twórz gry w Pythonie. Kurs video. Poznaj bibliotekÄ™ PyGame 249,00 zÅ‚, (74,70 zÅ‚ -70%)
• Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zÅ‚, (59,70 zÅ‚ -70%)

Spis treści

Zaawansowane uczenie maszynowe z językiem Python -- spis treści

O autorze (9)

O korektorach merytorycznych (11)

Wstęp (13)

Rozdział 1. Nienadzorowane uczenie maszynowe (19)

• Analiza gÅ‚ównych skÅ‚adowych (PCA) (20)
  
  • Podstawy analizy gÅ‚ównych skÅ‚adowych (20)
  • Stosowanie algorytmu analizy gÅ‚ównych skÅ‚adowych (21)
• Wprowadzenie grupowania metodÄ… k-Å›rednich (24)
  
  • Grupowanie - wprowadzenie (24)
  • Rozpoczynamy grupowanie (25)
  • Dostrajanie konfiguracji klastrów (29)
• Sieci Kohonena (34)
  
  • Sieci Kohonena - wprowadzenie (34)
  • Korzystanie z sieci Kohonena (35)
• Dalsza lektura (38)
• Podsumowanie (39)

Rozdział 2. Sieci DBN (41)

• Sieci neuronowe - wprowadzenie (42)
  
  • Budowa sieci neuronowej (42)
  • Topologie sieci (43)
• Ograniczona maszyna Boltzmanna (45)
  
  • Ograniczone maszyny Boltzmanna - wstÄ™p (46)
  • Zastosowania ograniczonych maszyn Boltzmanna (49)
  • Dalsze zastosowania ograniczonej maszyny Boltzmanna (58)
• Sieci gÅ‚Ä™bokie (59)
  
  • Trenowanie sieci DBN (59)
  • Stosowanie sieci DBN (60)
  • Walidacja sieci DBN (63)
• Dalsza lektura (64)
• Podsumowanie (64)

RozdziaÅ‚ 3. Stosy autoenkoderów odszumiajÄ…cych (67)

• Autoenkodery (67)
  
  • Autoenkodery - wprowadzenie (68)
  • Odszumianie autoenkoderów (70)
  • Korzystanie z autoenkodera odszumiajÄ…cego (72)
• Stosy autoenkoderów odszumiajÄ…cych (75)
  
  • Korzystanie ze stosu autoenkoderów odszumiajÄ…cych (76)
  • Ocena wydajnoÅ›ci stosu autoenkoderów odszumiajÄ…cych (82)
• Dalsza lektura (83)
• Podsumowanie (83)

Rozdział 4. Konwolucyjne sieci neuronowe (85)

• Konwolucyjne sieci neuronowe - wprowadzenie (85)
  
  • Topologia sieci konwolucyjnej (86)
  • Korzystanie z konwolucyjnych sieci neuronowych (98)
• Dalsza lektura (104)
• Podsumowanie (105)

Rozdział 5. Częściowo nadzorowane uczenie maszynowe (107)

• WstÄ™p (107)
• Czym jest uczenie częściowo nadzorowane? (108)
• DziaÅ‚anie algorytmów uczenia częściowo nadzorowanego (109)
  
  • Samodzielne uczenie siÄ™ (109)
  • Kontrastywna pesymistyczna estymacja prawdopodobieÅ„stwa (119)
• Dalsza lektura (128)
• Podsumowanie (129)

Rozdział 6. Rozpoznawanie języka naturalnego i selekcja cech (131)

• WstÄ™p (131)
• Selekcja cech danych tekstowych (133)
  
  • Czyszczenie danych tekstowych (133)
  • Tworzenie cech na podstawie danych tekstowych (141)
  • Testowanie przygotowanych danych (146)
• Dalsza lektura (152)
• Podsumowanie (153)

Rozdział 7. Selekcja cech - część II (155)

• WstÄ™p (155)
• Tworzenie zestawu cech (156)
  
  • Selekcja cech pod kÄ…tem uczenia maszynowego (156)
  • Korzystanie z technik selekcji cech (164)
• Inżynieria cech w praktyce (172)
  
  • Pobieranie danych za pomocÄ… interfejsów REST (173)
• Dalsza lektura (192)
• Podsumowanie (193)

Rozdział 8. Metody zespołowe (195)

• Wprowadzenie do metod zespoÅ‚owych (196)
  
  • Metody uÅ›redniajÄ…ce (197)
  • Stosowanie metod wzmacniania (201)
  • Stosowanie metod kontaminacji (207)
• Wykorzystanie modeli w zastosowaniach dynamicznych (212)
  
  • Czym jest elastyczność modeli? (213)
  • Strategie zarzÄ…dzania elastycznoÅ›ciÄ… modelu (220)
• Dalsza lektura (223)
• Podsumowanie (224)

Rozdział 9. Dodatkowe narzędzia uczenia maszynowego w języku Python (225)

• Alternatywne narzÄ™dzia programowe (226)
  
  • Biblioteka Lasagne - wprowadzenie (226)
  • Biblioteka TensorFlow - wprowadzenie (228)
  • Kiedy warto korzystać z tych bibliotek? (232)
• Dalsza lektura (235)
• Podsumowanie (235)

Dodatek A. Wymagania przykÅ‚adowych skryptów (237)

Skorowidz (239)