Details zum E-Book

Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II

Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II

David Natingga

E-book

Data science jest interdyscyplinarną dziedziną naukową łączącą osiągnięcia uczenia maszynowego, statystyki i eksploracji danych. Umożliwia wydobywanie nowej wiedzy z istniejących danych poprzez stosowanie odpowiednich algorytmów i analizy statystycznej. Stworzono dotąd wiele algorytmów tej kategorii i wciąż powstają nowe. Stanowią one podstawę konstruowania modeli umożliwiających wyodrębnianie określonych informacji z danych odzwierciedlających zjawiska zachodzące w świecie rzeczywistym, pozwalają też na formułowanie prognoz ich przebiegu w przyszłości. Algorytmy data science są postrzegane jako ogromna szansa na zdobycie przewagi konkurencyjnej, a ich znaczenie stale rośnie.

Ta książka jest zwięzłym przewodnikiem po algorytmach uczenia maszynowego. Jej cel jest prosty: w ciągu siedmiu dni masz opanować solidne podstawy siedmiu najważniejszych dla uczenia maszynowego algorytmów. Opisom poszczególnych algorytmów towarzyszą przykłady ich implementacji w języku Python, a praktyczne ćwiczenia, które znajdziesz na końcu każdego rozdziału, ułatwią Ci lepsze zrozumienie omawianych zagadnień. Co więcej, dzięki książce nauczysz się właściwie identyfikować problemy z zakresu data science. W konsekwencji dobieranie odpowiednich metod i narzędzi do ich rozwiązywania okaże się dużo łatwiejsze.

W tej książce:

  • efektywne implementacje algorytmów uczenia maszynowego w języku Python
  • klasyfikacja danych przy użyciu twierdzenia Bayesa, drzew decyzyjnych i lasów losowych
  • podział danych na klastery za pomocą algorytmu k-średnich
  • stosowanie analizy regresji w parametryzacji modeli przewidywań
  • analiza szeregów czasowych pod kątem trendów i sezonowości danych

Algorytmy data science: poznaj, zrozum, zastosuj!

  • O autorze
  • O recenzentach
  • Przedmowa
    • Do kogo kierujemy tę książkę?
    • Co zawiera ta książka?
    • Jak najlepiej wykorzystać tę książkę?
    • Kod przykładowych programów
    • Konwencje typograficzne stosowane w książce
  • Rozdział 1. Klasyfikacja na podstawie najbliższego sąsiedztwa
    • Subiektywne odczuwanie temperatury
    • Implementacja algorytmu k najbliższych sąsiadów
      • Dane wejściowe
      • Wynik klasyfikacji
      • Wizualizacja
    • Mapa Włoch przykład doboru wartości k
      • Analiza
    • Skalowanie danych prognozowanie statusu własności
      • Analiza
    • Nieeuklidesowe metryki odległości punktów klasyfikowanie tekstów
      • Analiza
    • Klasyfikowania tekstów ciąg dalszy wielowymiarowy algorytm k-NN
      • Analiza
    • Podsumowanie
    • Problemy
      • Subiektywne odczuwanie temperatury
      • Mapa Włoch przykład doboru wartości k
      • Status własności
      • Analiza
  • Rozdział 2. Naiwny klasyfikator bayesowski
    • Testy medyczne podstawowe zastosowanie twierdzenia Bayesa
      • Analiza
    • Podstawowe twierdzenie Bayesa i jego rozszerzenie
      • Twierdzenie Bayesa
        • Dowód
      • Rozszerzone twierdzenie Bayesa
        • Dowód
    • Zagramy w szachy? niezależne zdarzenia warunkujące
      • Analiza
    • Implementacja naiwnego klasyfikatora bayesowskiego
      • Dane wejściowe
      • Wynik
    • Zagramy w szachy? częściowo zależne zdarzenia warunkujące
      • Analiza
        • Dane wejściowe
        • Wynik
    • Chłopak czy dziewczyna? twierdzenie Bayesa dla ciągłych zmiennych losowych
      • Analiza
    • Podsumowanie
    • Problemy
      • Analiza
  • Rozdział 3. Drzewa decyzyjne
    • Pływamy? reprezentowanie danych w postaci drzewa decyzyjnego
    • Elementy teorii informacji
      • Entropia informacyjna
        • Przykład losowe rzucanie monetą
        • Definicja
      • Zysk informacyjny
      • Pływamy? obliczanie zysku informacyjnego
    • Algorytm ID3 konstruowanie drzewa decyzyjnego
      • Pływamy? budowanie drzewa decyzyjnego
      • Implementacja w języku Python
        • Dane wejściowe
        • Wynik
    • Klasyfikowanie danych za pomocą drzew decyzyjnych
      • Przykład pływamy czy nie?
    • Przykład gra w szachy pod chmurką
      • Analiza
        • Dane wejściowe
        • Wynikowe drzewo decyzyjne
        • Klasyfikacja
    • Na zakupy przykład niespójnych danych
      • Analiza
    • Podsumowanie
    • Problemy
      • Analiza
  • Rozdział 4. Lasy losowe
    • Ogólne zasady konstruowania lasów losowych
    • Pływamy? klasyfikacja za pomocą lasu losowego
      • Analiza
      • Konstruowanie lasu losowego
        • Losowe drzewo decyzyjne nr 0
        • Losowe drzewo decyzyjne nr 1
        • Wynikowy las losowy
      • Klasyfikowanie cechy na podstawie lasu losowego
    • Implementacja algorytmu konstruowania lasu losowego
      • Dane wejściowe
      • Wynik
    • Przykład zagramy w szachy?
      • Analiza
      • Konstruowanie lasu losowego
        • Losowe drzewo decyzyjne nr 0
        • Losowe drzewa decyzyjne nr 1, 2 i 3
        • Wynikowy las losowy
      • Klasyfikacja w drodze głosowania
        • Dane wejściowe
        • Wynik
    • Idziemy na zakupy? wnioskowanie z niespójnych danych i miara wiarygodności wyniku
      • Analiza
        • Dane wejściowe
        • Wynik
    • Podsumowanie
    • Problemy
      • Analiza
        • Dane wejściowe
        • Wynik
  • Rozdział 5. Klasteryzacja
    • Dochód gospodarstwa domowego niski czy wysoki?
    • Algorytm k-średnich
      • Początkowy zbiór centroidów
      • Wyznaczanie centroidu klastera
    • Przykład wykorzystanie algorytmu k-średnich do klasyfikacji dochodów
    • Klasyfikowanie przez klasteryzację prognozowanie płci nieznanej osoby
      • Analiza
    • Implementacja algorytmu k-średnich
      • Dane wejściowe
      • Wynik grupowania
    • Status własności dobór optymalnej liczby klasterów
      • Analiza
        • Dane wejściowe
        • Wynik podział między dwa klastery
        • Wynik podział między trzy klastery
        • Wynik podział między cztery klastery
        • Wynik podział między pięć klasterów
    • Klasyfikowanie dokumentów semantyczne znaczenie klasteryzacji
      • Analiza
        • Dane wejściowe
        • Wynik podział między dwa klastery
        • Wynik podział między trzy klastery
        • Wynik podział między pięć klasterów
    • Podsumowanie
    • Problemy
      • Analiza
        • Dane wejściowe
        • Dwa klastery
        • Trzy klastery
        • Cztery klastery
        • Pięć klasterów
        • Wybór optymalnej liczby klasterów przy użyciu walidacji krzyżowej
  • Rozdział 6. Analiza regresji
    • Konwersja temperatur regresja liniowa dla danych doskonałych
      • Rozwiązanie analityczne
      • Metoda najmniejszych kwadratów w regresji liniowej
      • Implementacja analizy regresji liniowej w Pythonie
        • Kod programu
        • Wynik
        • Wizualizacja
    • Regresja dla danych pomiarowych prognozowanie wagi na podstawie wzrostu
      • Analiza
        • Kod programu
        • Wynik
    • Metoda spadku gradientowego i jej implementacja
      • Szczegóły algorytmu
      • Implementacja w Pythonie
        • Dane wejściowe
        • Wynik
        • Wizualizacja porównanie z metodą analityczną
    • Przewidywanie czasu przelotu na podstawie odległości
      • Analiza
        • Kod programu
        • Wynik
    • Obliczenia balistyczne model nieliniowy
      • Analiza
        • Kod programu
        • Wynik
    • Podsumowanie
    • Problemy
      • Analiza
        • Kod programu
        • Wynik
        • Wizualizacja
  • Rozdział 7. Analiza szeregów czasowych
    • Zysk w biznesie analiza trendu
      • Analiza
        • Kod programu
        • Wynik
        • Wizualizacja
      • Konkluzja
    • Sprzedaż w sklepie internetowym analiza sezonowości
      • Analiza
      • Analiza trendu
        • Kod programu
        • Wynik
        • Wizualizacja
      • Analiza sezonowości
        • Wizualizacja
    • Podsumowanie
    • Problemy
      • Analiza
        • Kod programu
        • Wynik
        • Wizualizacja
        • Wizualizacja
  • Dodatek A Podstawy języka Python
    • Przykład
    • Komentarze
    • Typy danych
      • int
        • Przykład example02_int.py
        • Wynik
      • float
        • Przykład example03_float.py
        • Wynik
      • Napis
        • Przykład example04_string.py
        • Wynik
      • Krotka
        • Przykład example05_tuple.py
        • Wynik
      • Lista
        • Przykład example06_list.py
        • Wynik
      • Zbiór
        • Przykład example07_set.py
        • Wynik
      • Słownik
        • Przykład example08_dictionary.py
        • Wynik
    • Przepływ sterowania
      • Instrukcje warunkowe
        • Przykład example09_if_else_elif.py
        • Wynik
      • Pętla for
        • Przykład example10_for_loop_range.py
        • Wynik
        • Przykład example11_for_loop_list.py
        • Wynik
        • Przykład example12_for_loop_set.py
        • Wynik
      • Pętla while
        • Przykład example13_while_loop.py
        • Wynik
      • Instrukcje break i continue
        • Przykład example14_break_continue.py
        • Wynik
    • Funkcje
      • Przykład example15_function.py
      • Wynik
    • Wejście-wyjście programu
      • Argumenty wywołania programu
        • Przykład example16_arguments.py
        • Wynik
      • Operacje na plikach
        • Przykład example17_file.py
        • Wynik
  • Dodatek B Statystyka
    • Podstawowe koncepcje
      • Notacja
      • Podstawowe pojęcia
    • Wnioskowanie bayesowskie
    • Rozkład normalny Gaussa
    • Walidacja krzyżowa
    • Testowanie A/B
  • Dodatek C Słownik pojęć, algorytmów i metod Data Science
  • Titel: Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
  • Autor: David Natingga
  • Originaler Titel: Data Science Algorithms in a Week: Top 7 algorithms for scientific computing, data analysis, and machine learning, 2nd Edition
  • Übersetzung: Andrzej Grażyński
  • ISBN: 978-83-283-5603-0, 9788328356030
  • Veröffentlichungsdatum: 2019-10-08
  • Format: E-book
  • Artikelkennung: aldas2
  • Verleger: Helion