O autorze

O recenzentach

Przedmowa

Wprowadzenie

Część 1. Wstęp i podstawowe algorytmy

• Rozdział 1. Wprowadzenie do algorytmów
  • Co to jest algorytm?
    • Fazy algorytmu
    • Środowisko programowania
  • Pakiety w Pythonie
    • Ekosystem SciPy
    • Jupyter Notebook
  • Techniki projektowania algorytmów
    • Wymiar danych
    • Wymiar obliczeniowy
  • Analiza efektywności
    • Analiza pamięciowej złożoności obliczeniowej
    • Czasowa złożoność obliczeniowa
    • Szacowanie efektywności
    • Notacja dużego O
    • Złożoność stała (O(1))
    • Złożoność liniowa (O(n))
    • Złożoność kwadratowa (O(n²))
    • Złożoność logarytmiczna
  • Wybór algorytmu
  • Walidacja algorytmu
    • Algorytmy dokładne, aproksymacyjne i randomizowane
    • Możliwość wyjaśnienia
  • Podsumowanie
• Rozdział 2. Struktury danych w algorytmach
  • Struktury danych w Pythonie
    • Lista
    • Krotka
    • Słowniki i zbiory
    • Struktury danych Series i DataFrame
    • Macierz
  • Abstrakcyjne typy danych
    • Wektor
    • Stos
    • Kolejka
    • Drzewo
  • Podsumowanie
• Rozdział 3. Algorytmy sortowania i wyszukiwania
  • Wprowadzenie do algorytmów sortowania
    • Zamiana wartości zmiennych w Pythonie
    • Sortowanie bąbelkowe
    • Sortowanie przez wstawianie
    • Sortowanie przez scalanie
    • Sortowanie Shella
    • Sortowanie przez wybieranie
    • Wybór właściwego algorytmu sortującego
  • Wprowadzenie do algorytmów wyszukiwania
    • Wyszukiwanie liniowe
    • Wyszukiwanie binarne
    • Wyszukiwanie interpolacyjne
  • Praktyczne przykłady
  • Podsumowanie
• Rozdział 4. Projektowanie algorytmów
  • Wprowadzenie do projektowania algorytmów
    • Kwestia 1: poprawność. Czy algorytm zwraca rezultat, jakiego oczekujemy?
    • Kwestia 2: efektywność. Czy robi to w optymalny sposób?
    • Kwestia 3: skalowalność. Jak efektywny będzie ten algorytm zastosowany do większych zbiorów danych?
  • Strategie algorytmiczne
    • Strategia "dziel i rządź"
    • Strategia programowania dynamicznego
    • Strategia algorytmu zachłannego
  • Praktyczny przykład - rozwiązanie problemu komiwojażera
    • Metoda siłowa
    • Zastosowanie algorytmu zachłannego
    • Porównanie trzech strategii
  • Algorytm PageRank
    • Definicja problemu
    • Implementacja algorytmu PageRank
  • Programowanie liniowe
    • Definicja problemu w programowaniu liniowym
    • Praktyczny przykład - planowanie przepustowości za pomocą programowania liniowego
  • Podsumowanie
• Rozdział 5. Algorytmy grafowe
  • Zwięzłe wprowadzenie do grafów
    • Grafy jako szkielet nowoczesnych sieci danych
    • Podstawa grafów: węzły (lub wierzchołki)
  • Teoria grafów i analiza sieci
  • Reprezentacja grafów
  • Mechanika i typy grafów
    • Sieci egocentryczne
  • Wprowadzenie do teorii analizy sieciowej
    • Najkrótsza ścieżka
    • Wskaźnik centralności
    • Obliczanie wskaźników centralności w Pythonie
    • Analiza sieci społecznościowych
  • Przeglądanie grafu
    • Wyszukiwanie wszerz
    • Wyszukiwanie w głąb
  • Studium przypadku - wykrywanie oszustw za pomocą SNA
    • Wprowadzenie
    • Czym jest oszustwo w tym kontekście
    • Prosta analiza pod kątem oszustwa
    • Podejście strażnicy
  • Podsumowanie

Część 2. Algorytmy uczenia maszynowego

• Rozdział 6. Algorytmy nienadzorowanego uczenia maszynowego
  • Wprowadzenie do nienadzorowanego uczenia maszynowego
    • Uczenie nienadzorowane w cyklu życia eksploracji danych
    • Trendy badawcze w zakresie uczenia nienadzorowanego
    • Praktyczne przykłady
  • Algorytmy klasteryzacji
    • Algorytm k-średnich (algorytm centroidów)
  • Kroki grupowania hierarchicznego
  • Implementacja grupowania hierarchicznego
  • Algorytm DBSCAN
  • Tworzenie klastrów przy użyciu algorytmu DBSCAN w Pythonie
  • Ocena klastrów
  • Redukcja wymiarów
    • Analiza głównych składowych
  • Wyszukiwanie reguł asocjacyjnych
    • Rodzaje reguł
    • Wskaźniki reguł
    • Algorytmy analizy asocjacyjnej
  • Podsumowanie
• Rozdział 7. Tradycyjne algorytmy uczenia nadzorowanego
  • Nadzorowane uczenie maszynowe
  • Problemy nadzorowanego uczenia maszynowego
    • Warunki konieczne
    • Rozróżnienie między klasyfikatorami a regresorami
  • Algorytmy klasyfikujące
    • Wyzwanie dla klasyfikatorów
    • Tablica pomyłek
    • Kompromis między czułością i precyzją
  • Algorytm drzewa decyzyjnego
    • Algorytm klasyfikujący drzewa decyzyjnego
    • Wady i zalety klasyfikatorów opartych na drzewach decyzyjnych
    • Przypadki użycia
  • Metody zespolone
    • Implementacja wzmacniania gradientowego
    • Różnica między lasem losowym a wzmocnieniem gradientowym
    • Wykorzystanie algorytmu lasu losowego do wyzwania dla klasyfikatorów
  • Regresja logistyczna
    • Założenia
    • Określanie relacji
    • Funkcje straty i kosztu
    • Kiedy używać regresji logistycznej
    • Wykorzystanie algorytmu regresji logistycznej do wyzwania dla klasyfikatorów
  • Maszyna wektorów nośnych
    • Wykorzystanie maszyny wektorów nośnych do wyzwania dla klasyfikatorów
    • Naiwny klasyfikator bayesowski
  • Twierdzenie Bayesa
    • Wyliczanie prawdopodobieństwa
    • Reguły mnożenia dla koniunkcji zdarzeń
    • Ogólne zasady mnożenia
    • Zasady dodawania dla alternatywy zdarzeń
    • Wykorzystanie naiwnego klasyfikatora bayesowskiego do wyzwania dla klasyfikatorów
  • Zwycięzcą wśród algorytmów klasyfikacji jest.
    • Algorytmy regresji
    • Wyzwanie dla regresji
    • Definicja problemu
    • Dane historyczne
    • Inżynieria cech w strumieniowym przetwarzaniu danych
  • Regresja liniowa
    • Prosta regresja liniowa
    • Ewaluacja regresorów
    • Regresja wielomianowa
    • Wykorzystanie algorytmu regresji liniowej do wyzwania dla regresji
    • Kiedy używa się regresji liniowej?
    • Wady regresji liniowej
    • Algorytm drzewa regresji
    • Wykorzystanie drzewa regresji do wyzwania dla regresji
    • Regresyjny algorytm wzmocnienia gradientowego
    • Wykorzystanie algorytmu wzmocnienia gradientowego do wyzwania dla regresji
  • Zwycięzcą wśród algorytmów regresji jest.
  • Praktyczny przykład: jak przewidywać pogodę
  • Podsumowanie
• Rozdział 8. Algorytmy sieci neuronowych
  • Wprowadzenie do sieci neuronowych
    • Tło historyczne
    • Początki sztucznej inteligencji
  • Sieci neuronowe
    • Perceptrony
    • Intuicyjne rozumienie sieci neuronowych
    • Warstwowe architektury uczenia głębokiego
  • Trenowanie sieci neuronowej
  • Anatomia sieci neuronowej
  • Definicja gradientu prostego
  • Funkcje aktywacji
    • Funkcja kroku
    • Funkcja sigmoidalna
    • Jednostronnie obcięta funkcja liniowa (funkcja ReLU)
    • Tangens hiperboliczny (tanh)
    • Znormalizowana funkcja wykładnicza (funkcja softmax)
  • Narzędzia i modele
    • Keras
  • Wybór pomiędzy modelem sekwencyjnym a funkcjonalnym
    • TensorFlow
    • Podstawowe pojęcia TensorFlow
    • Matematyka tensorów
  • Rodzaje sieci neuronowych
    • Sieć konwolucyjna
    • Generatywne sieci przeciwstawne
  • Uczenie transferowe
  • Studium przypadku - użycie uczenia głębokiego do wykrywania oszustw
    • Metodyka
  • Podsumowanie
• Rozdział 9. Algorytmy nienadzorowanego języka naturalnego
  • Wprowadzenie do przetwarzania języka naturalnego
  • Terminologia przetwarzania języka naturalnego
    • Wstępne przetwarzanie tekstu w NLP
  • Czyszczenie danych przy użyciu Pythona
  • Macierz słowo - dokument
    • Macierz TF-IDF
    • Podsumowanie i omówienie wyników
  • Wprowadzenie do wektorów słów
  • Implementacja osadzania słów za pomocą metody Word2Vec
    • Interpretowanie wartości podobieństwa
    • Zalety i wady Word2Vec
  • Studium przypadku - analiza sentymentu w recenzjach restauracji
    • Import potrzebnych bibliotek i załadowanie zbioru danych
    • Budowa czystego korpusu - wstępne przetwarzanie danych
    • Konwersja danych tekstowych na cechy numeryczne
    • Analiza wyników
  • Zastosowania NLP
  • Podsumowanie
• Rozdział 10. Modele sekwencyjne
  • Ewolucja zaawansowanych technik modelowania sekwencyjnego
  • Autokodery
    • Kodowanie automatycznego kodera
    • Przygotowanie środowiska
  • Model Seq2Seq
    • Koder
    • Wektor myśli
    • Dekoder
    • Tokeny specjalne w Seq2Seq
    • Dylemat informacyjnego wąskiego gardła
  • Mechanizm atencji
    • Czym jest atencja w sieciach neuronowych
    • Trzy kluczowe aspekty mechanizmów atencji
    • Mechanizmy atencji - szczegóły
    • Ograniczenia mechanizmów atencji
  • Samouwaga
    • Wagi atencji
    • Koder - dwukierunkowe sieci RNN
    • Wektor myśli
    • Dekoder - zwykłe sieci RNN
    • Szkolenie a inferencja
  • Transformatory - kolejny po samouwadze etap ewolucji sieci neuronowych
    • Jakie są największe zalety transformatorów
    • Analiza kodu w Pythonie
    • Interpretacja wyników
  • Duże modele językowe
    • Atencja w modelach LLM
    • GPT i BERT - najbardziej znane modele NLP
    • Tworzenie zaawansowanych modeli LLM przy użyciu głębokich i szerokich modeli
  • Bottom of Form
  • Podsumowanie
• Rozdział 11. Zaawansowane modelowanie sekwencyjne
  • Ewolucja zaawansowanych technik modelowania sekwencyjnego
  • Autokodery
    • Kodowanie automatycznego kodera
    • Przygotowanie środowiska
  • Model Seq2Seq
    • Koder
    • Wektor myśli
    • Dekoder
    • Tokeny specjalne w Seq2Seq
    • Dylemat informacyjnego wąskiego gardła
  • Mechanizm atencji
    • Czym jest atencja w sieciach neuronowych
    • Trzy kluczowe aspekty mechanizmów atencji
    • Mechanizmy atencji - szczegóły
    • Ograniczenia mechanizmów atencji
  • Samouwaga
    • Wagi atencji
    • Koder - dwukierunkowe sieci RNN
    • Wektor myśli
    • Dekoder - zwykłe sieci RNN
    • Szkolenie a inferencja
  • Transformatory - kolejny po samouwadze etap ewolucji sieci neuronowych
    • Jakie są największe zalety transformatorów
    • Analiza kodu w Pythonie
    • Interpretacja wyników
  • Duże modele językowe
    • Atencja w modelach LLM
    • GPT i BERT - najbardziej znane modele NLP
    • Tworzenie zaawansowanych modeli LLM przy użyciu głębokich i szerokich modeli
  • Bottom of Form
  • Podsumowanie

Część 3. Zagadnienia zaawansowane

• Rozdział 12. Systemy rekomendacji
  • Wprowadzenie do systemów rekomendacji
  • Typy systemów rekomendacji
    • Systemy rekomendacji oparte na treści
    • Systemy rekomendacji oparte na filtrowaniu kooperacyjnym
    • Hybrydowe systemy rekomendacji
  • Ograniczenia systemów rekomendacji
    • Zimny start
    • Wymagania dotyczące metadanych
    • Problem rzadkości danych
    • Obosieczny miecz wpływu społecznościowego w systemach rekomendacji
  • Obszary praktycznych zastosowań
    • Mistrzowskie wykorzystanie rekomendacji opartych na danych przez Netfliksa
    • Ewolucja systemu rekomendacji Amazona
  • Przykład praktyczny - tworzenie systemu rekomendacji
    • 1. Przygotowanie środowiska
    • 2. Ładowanie danych - recenzji i tytułów
    • 3. Połączenie danych - tworzenie kompletnego widoku
    • 4. Analiza opisowa - wyciąganie wniosków na podstawie ocen
    • 5. Przygotowanie do generowania rekomendacji - tworzenie macierzy
    • 6. Testowanie systemu - rekomendowanie filmów
  • Podsumowanie
• Rozdział 13. Algorytmiczne przetwarzanie danych
  • Wprowadzenie do algorytmów danych
    • Twierdzenie CAP w kontekście algorytmów danych
    • Przechowywanie danych w systemach rozproszonych
    • Twierdzenie CAP i kompresja danych
  • Twierdzenie CAP
    • Systemy CA
    • Systemy AP
    • Systemy CP
  • Algorytmy kompresji danych
    • Techniki kompresji bezstratnej
  • Praktyczny przykład - zarządzenie danymi w AWS, czyli koncentracja na twierdzeniu CAP i algorytmach kompresji
    • 1. Zastosowanie twierdzenia CAP
    • 2. Algorytmy kompresji
    • 3. Ocena korzyści
  • Podsumowanie
• Rozdział 14. Kryptografia
  • Wprowadzenie do kryptografii
    • Waga najsłabszego ogniwa
    • Terminologia
    • Wymagania bezpieczeństwa
    • Podstawy projektowania szyfrów
  • Rodzaje technik kryptograficznych
    • Kryptograficzna funkcja skrótu
    • Szyfrowanie symetryczne
    • Szyfrowanie asymetryczne
  • Przykład - kwestie bezpieczeństwa we wdrażaniu modelu uczenia maszynowego
    • Atak man-in-the-middle
    • Obrona przed techniką masquerading
    • Szyfrowanie danych i modelu
  • Podsumowanie
• Rozdział 15. Algorytmy przetwarzania danych w dużej skali
  • Wprowadzenie do algorytmów wielkoskalowych
  • Charakterystyka wydajnej infrastruktury dla algorytmów wielkoskalowych
    • Elastyczność
    • Cechy dobrze zaprojektowanego algorytmu wielkoskalowego
  • Strategia przetwarzania przez wiele zasobów
  • Teoretyczne możliwości przetwarzania równoległego
    • Prawo Amdahla
    • Wyprowadzanie prawa Amdahla
    • CUDA - wykorzystanie architektury GPU do przetwarzania równoległego
    • Przetwarzanie klastrowe przy użyciu Apache Spark
  • Jak Apache Spark wspomaga wykonywanie algorytmów wielkoskalowych
    • Przetwarzanie rozproszone
    • Przetwarzanie w pamięci
  • Algorytmy wielkoskalowe w przetwarzaniu chmurowym
    • Przykład
  • Podsumowanie
• Rozdział 16. Uwagi praktyczne
  • Problemy dotyczące rozwiązań algorytmicznych
    • Oczekiwać nieoczekiwanego
  • Porażka bota sztucznej inteligencji Twittera
  • Transparentność algorytmu
    • Algorytmy uczenia maszynowego i transparentność
  • Etyka i algorytmy
    • Problemy z algorytmami uczącymi się
    • Znaczenie kwestii etycznych
    • Czynniki wpływające na rozwiązania algorytmiczne
  • Ograniczanie stronniczości modeli
  • Kiedy używać algorytmów
    • Zdarzenia według teorii czarnego łabędzia i ich wpływ na algorytmy
  • Podsumowanie

• Назва: 50 algorytmów, które powinien znać każdy programista. Klasyczne i nowoczesne algorytmy z dziedzin uczenia maszynowego, projektowania oprogramowania, systemów danych i kryptografii. Wydanie II
• Автор: Imran Ahmad
• Оригінальна назва: 50 Algorithms Every Programmer Should Know: Tackle computer science challenges with classic to modern algorithms in machine learning, software design, data systems, and cryptography, 2nd Edition
• Переклад: Łukasz Piwko, Katarzyna Bogusławska
• ISBN: 978-83-289-1110-9, 9788328911109
• Дата видання: 2024-10-01
• Формат: Eлектронна книга
• Ідентифікатор видання: 50alg2
• Видавець: Helion