O recenzencie 12

Przedmowa 13

Rozdział 1. Podstawy modelu uczenia maszynowego 19

• Modele a dane 20
  
  • Środkowanie i wybielanie 21
  • Zbiory uczące i walidacyjne 24
• Cechy modelu uczenia maszynowego 29
  
  • Pojemność modelu 29
  • Obciążenie estymatora 32
  • Wariancja estymatora 35
• Funkcje straty i kosztu 39
  
  • Przykładowe funkcje kosztu 43
  • Regularyzacja 45
• Podsumowanie 50

Rozdział 2. Wprowadzenie do uczenia półnadzorowanego 51

• Uczenie półnadzorowane 52
  
  • Uczenie transdukcyjne 53
  • Uczenie indukcyjne 53
  • Założenia w uczeniu półnadzorowanym 53
• Generatywne mieszaniny gaussowskie 56
  
  • Przykład generatywnej mieszaniny gaussowskiej 58
• Algorytm kontrastowy pesymistycznego szacowania wiarygodności 63
  
  • Przykład zastosowania algorytmu CPLE 65
• Półnadzorowane maszyny wektorów nośnych (S³VM) 68
  
  • Przykładowy algorytm maszyny S³VM 71
• Transdukcyjne maszyny wektorów nośnych 76
  
  • Przykład maszyny TSVM 77
• Podsumowanie 82

Rozdział 3. Uczenie półnadzorowane bazujące na grafach 85

• Propagacja etykiet 86
  
  • Przykład zastosowania algorytmu propagacji etykiet 89
  • Propagacja etykiet w bibliotece Scikit-Learn 91
• Rozprzestrzenianie etykiet 94
  
  • Przykład zastosowania algorytmu rozprzestrzeniania etykiet 95
• Propagacja etykiet na bazie błądzenia losowego Markowa 97
  
  • Przykład propagacji etykiet na podstawie błądzenia losowego Markowa 98
• Uczenie rozmaitościowe 101
  
  • Algorytm Isomap 102
  • Osadzanie lokalnie liniowe 106
  • Osadzanie widmowe Laplace'a 109
• Algorytm t-SNE 111
• Podsumowanie 113

Rozdział 4. Sieci bayesowskie i ukryte modele Markowa 115

• Prawdopodobieństwa warunkowe i twierdzenie Bayesa 116
• Sieci bayesowskie 118
  
  • Próbkowanie w sieci bayesowskiej 119
  • Przykład próbkowania za pomocą biblioteki PyMC3 129
• Ukryte modele Markowa 133
  
  • Algorytm wnioskowania ekstrapolacyjno-interpolacyjnego 134
  • Algorytm Viterbiego 141
• Podsumowanie 144

Rozdział 5. Algorytm EM i jego zastosowania 145

• Uczenie metodami MLE i MAP 146
• Algorytm EM 148
  
  • Przykład szacowania parametrów 151
• Mieszanina gaussowska 154
  
  • Przykład implementacji algorytmu mieszanin gaussowskich w bibliotece Scikit-Learn 157
• Analiza czynnikowa (FA) 159
  
  • Przykład zastosowania analizy czynnikowej w bibliotece Scikit-Learn 164
• Analiza głównych składowych (PCA) 167
  
  • Przykład zastosowania analizy PCA w bibliotece Scikit-Learn 173
• Analiza składowych niezależnych (ICA) 175
  
  • Przykładowa implementacja algorytmu FastICA w bibliotece Scikit-Learn 178
• Jeszcze słowo o ukrytych modelach Markowa 180
• Podsumowanie 181

Rozdział 6. Uczenie hebbowskie i mapy samoorganizujące 183

• Reguła Hebba 184
  
  • Analiza reguły kowariancji 188
  • Stabilizacja wektora wag i reguła Oji 192
• Sieć Sangera 193
  
  • Przykład zastosowania sieci Sangera 196
• Sieć Rubnera-Tavana 199
  
  • Przykład zastosowania sieci Rubnera-Tavana 203
• Mapy samoorganizujące 205
  
  • Przykład zastosowania mapy SOM 208
• Podsumowanie 211

Rozdział 7. Algorytmy klasteryzacji 213

• Algorytm k-najbliższych sąsiadów 213
  
  • Drzewa KD 217
  • Drzewa kuliste 218
  • Przykład zastosowania algorytmu KNN w bibliotece Scikit-Learn 220
• Algorytm centroidów 223
  
  • Algorytm k-means++ 225
  • Przykład zastosowania algorytmu centroidów w bibliotece Scikit-Learn 227
• Algorytm rozmytych c-średnich 235
  
  • Przykład zastosowania algorytmu rozmytych c-średnich w bibliotece Scikit-Fuzzy 239
• Klasteryzacja widmowa 242
  
  • Przykład zastosowania klasteryzacji widmowej w bibliotece Scikit-Learn 246
• Podsumowanie 248

Rozdział 8. Uczenie zespołowe 249

• Podstawy uczenia zespołów 249
• Lasy losowe 251
  
  • Przykład zastosowania lasu losowego w bibliotece Scikit-Learn 257
• Algorytm AdaBoost 260
  
  • AdaBoost.SAMME 264
  • AdaBoost.SAMME.R 266
  • AdaBoost.R2 268
  • Przykład zastosowania algorytmu AdaBoost w bibliotece Scikit-Learn 271
• Wzmacnianie gradientowe 275
  
  • Przykład wzmacniania gradientowego drzew w bibliotece Scikit-Learn 279
• Zespoły klasyfikatorów głosujących 282
  
  • Przykład zastosowania klasyfikatorów głosujących 283
• Uczenie zespołowe jako technika doboru modeli 285
• Podsumowanie 286

Rozdział 9. Sieci neuronowe w uczeniu maszynowym 287

• Podstawowy sztuczny neuron 288
• Perceptron 289
  
  • Przykład zastosowania perceptronu w bibliotece Scikit-Learn 292
• Perceptrony wielowarstwowe 295
  
  • Funkcje aktywacji 296
  • Algorytm propagacji wstecznej 299
  • Przykład zastosowania sieci MLP w bibliotece Keras 307
• Algorytmy optymalizacji 311
  
  • Perturbacja gradientu 312
  • Algorytmy momentum i Nesterova 312
  • RMSProp 313
  • Adam 315
  • AdaGrad 316
  • AdaDelta 317
• Regularyzacja i porzucanie 318
  
  • Porzucanie 320
• Normalizacja wsadowa 326
  
  • Przykład zastosowania normalizacji wsadowej w bibliotece Keras 328
• Podsumowanie 330

Rozdział 10. Zaawansowane modele neuronowe 333

• Głębokie sieci splotowe 334
  
  • Operacje splotu 335
  • Warstwy łączące 344
  • Inne przydatne warstwy 347
  • Przykłady stosowania głębokich sieci splotowych w bibliotece Keras 348
• Sieci rekurencyjne 356
  
  • Algorytm propagacji wstecznej w czasie (BPTT) 357
  • Jednostki LSTM 360
  • Jednostki GRU 365
  • Przykład zastosowania sieci LSTM w bibliotece Keras 367
• Uczenie transferowe 371
• Podsumowanie 373

Rozdział 11. Autokodery 375

• Autokodery 375
  
  • Przykład głębokiego autokodera splotowego w bibliotece TensorFlow 377
  • Autokodery odszumiające 381
  • Autokodery rzadkie 384
• Autokodery wariacyjne 386
  
  • Przykład stosowania autokodera wariacyjnego w bibliotece TensorFlow 389
• Podsumowanie 391

Rozdział 12. Generatywne sieci przeciwstawne 393

• Uczenie przeciwstawne 393
  
  • Przykład zastosowania sieci DCGAN w bibliotece TensorFlow 397
• Sieć Wassersteina (WGAN) 403
  
  • Przykład zastosowania sieci WGAN w bibliotece TensorFlow 405
• Podsumowanie 408

Rozdział 13. Głębokie sieci przekonań 409

• Losowe pola Markowa 410
• Ograniczone maszyny Boltzmanna 411
• Sieci DBN 415
  
  • Przykład stosowania nienadzorowanej sieci DBN w środowisku Python 417
  • Przykład stosowania nadzorowanej sieci DBN w środowisku Python 420
• Podsumowanie 422

Rozdział 14. Wstęp do uczenia przez wzmacnianie 423

• Podstawowe terminy w uczeniu przez wzmacnianie 423
  
  • Środowisko 425
  • Polityka 429
• Iteracja polityki 430
  
  • Iteracja polityki w środowisku szachownicy 434
• Iteracja wartości 438
  
  • Iteracja wartości w środowisku szachownicy 439
• Algorytm TD(0) 442
  
  • Algorytm TD(0) w środowisku szachownicy 445
• Podsumowanie 448

Rozdział 15. Zaawansowane algorytmy szacowania polityki 451

• Algorytm TD(λ) 452
  
  • Algorytm TD(λ) w bardziej skomplikowanym środowisku szachownicy 456
  • Algorytm aktor-krytyk TD(0) w środowisku szachownicy 462
• Algorytm SARSA 467
  
  • Algorytm SARSA w środowisku szachownicy 469
• Q-uczenie 472
  
  • Algorytm Q-uczenia w środowisku szachownicy 473
  • Algorytm Q-uczenia za pomocą sieci neuronowej 475
• Podsumowanie 482

Skorowidz 485

• Назва: Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
• Автор: Giuseppe Bonaccorso
• Оригінальна назва: Mastering Machine Learning Algorithms: Expert techniques to implement popular machine learning algorithms and fine-tune your models
• Переклад: Beata Pawlak, Krzysztof Sawka
• ISBN: 978-83-283-5246-9, 9788328352469
• Дата видання: 2019-07-09
• Формат: Eлектронна книга
• Ідентифікатор видання: alguma
• Видавець: Helion