reklama - zainteresowany?

Zaawansowane uczenie maszynowe z językiem Python - Helion

Zaawansowane uczenie maszynowe z językiem Python
Autor: John Hearty
Tytuł oryginału: Advanced Machine Learning with Python
TÅ‚umaczenie: Konrad Matuk
ISBN: 978-83-283-3607-0
stron: 248, Format: 170x230, okładka: miękka
Data wydania: 2017-10-13
Księgarnia: Helion

Cena książki: 37,05 zł (poprzednio: 57,00 zł)
Oszczędzasz: 35% (-19,95 zł)

Dodaj do koszyka Zaawansowane uczenie maszynowe z językiem Python

Tagi: Python - Programowanie | Uczenie maszynowe

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.

Dodaj do koszyka Zaawansowane uczenie maszynowe z językiem Python

 

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

  • Receptura na Python. Kurs Video. 54 praktyczne porady dla programist
  • ZÅ‚am ten kod z Pythonem. Jak tworzyć, testować i Å‚amać szyfry
  • NLP. Kurs video. Analiza danych tekstowych w j
  • Web scraping w Data Science. Kurs video. Uczenie maszynowe i architektura splotowych sieci neuronowych
  • Python dla administrator

Dodaj do koszyka Zaawansowane uczenie maszynowe z językiem Python

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)

Dodaj do koszyka Zaawansowane uczenie maszynowe z językiem Python

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.