Big data
Praktyczne uczenie maszynowe w języku R
Fred Nwanganga, Mike Chapple
WPROWADZENIE DO UCZENIA MASZYNOWEGO Z WYKORZYSTANIEM INTUICYJNEGO JĘZYKA R Uczenie maszynowe i analiza danych pełnią coraz ważniejszą rolę w tworzeniu wartości dodanej. Uczenie maszynowe pozwala znajdować ukryte w danych zależności, wnosząc nowe pomysły i wiedzę, którą trudno byłoby osiągnąć bez tej zaawansowanej techniki. Książka Praktyczne uczenie maszynowe w języku R to wstępne przygotowanie do pracy z dużymi zbiorami danych w języku R, który jest łatwy w zrozumieniu i został opracowany specjalnie z myślą o analizie statystycznej. Nawet osoby bez doświadczenia w programowaniu mogą skorzystać z tej książki, dowiadując się, w jaki sposób praktyczne zastosowania uczenia maszynowego pozwalają analitykom danych pozyskiwać strategiczne informacje biznesowe, solidne prognozy i podejmować trafniejsze decyzje. W odróżnieniu od innych książek na ten temat, Praktyczne uczenie maszynowe w języku R oferuje zarówno teoretyczne, jak i techniczne wprowadzenie do uczenia maszynowego. W przykładach i ćwiczeniach wykorzystywany jest język programowania R oraz najnowsze narzędzia analizy danych, co pozwala zacząć pracę bez nadmiernego zagłębiania się w zaawansowaną matematykę. Dzięki tej książce techniki uczenia maszynowego – począwszy od regresji logistycznej po reguły asocjacyjne i analizę skupień – są w zasięgu ręki. Jedyna publikacja, która łączy intuicyjne wprowadzenie do uczenia maszynowego z opisami zastosowań technicznych krok po kroku. Praktyczne uczenie maszynowe w języku R pokaże jak: przyswoić koncepcje różnych typów uczenia maszynowego, odkrywać wzorce ukryte w dużych zbiorach danych, pisać i wykonywać skrypty R za pomocą RStudio, używać języka R w połączeniu z pakietami Tidyverse do zarządzania danymi i ich wizualizacji, stosować podstawowe techniki statystyczne, takie jak regresja logistyczna czy naiwny klasyfikator Bayesa, oceniać i ulepszać modele uczenia maszynowego. DR FRED NWANGANGA jest profesorem uczelni na wydziale Business Analytics w Mendoza College of Business na uniwersytecie Notre Dame, Indiana, USA. Ma ponad 15-letnie doświadczenie w pełnieniu roli lidera technicznego. DR MIKE CHAPPLE jest profesorem uczelni na wydziale Technology, Analytics, and Operations w Mendoza College of Business. Mike jest autorem ponad 25 poczytnych książek i pełni funkcję dyrektora naukowego programu studiów magisterskich z analizy biznesowej.
Praktyczne uczenie nienadzorowane przy użyciu języka Python
Ankur A. Patel
Wielu ekspertów branżowych uważa uczenie nienadzorowane za kolejną granicę w dziedzinie sztucznej inteligencji, która może stanowić klucz do pełnej sztucznej inteligencji. Ponieważ większość danych na świecie jest nieoznakowana, nie można do nich zastosować konwencjonalnego uczenia nadzorowanego. Z kolei uczenie nienadzorowane może być stosowane wobec nieoznakowanych zbiorów danych w celu odkrycia istotnych wzorców ukrytych głęboko w tych danych, które dla człowieka mogą być niemal niemożliwe do odkrycia. Autor Ankur Patel pokazuje, jak stosować uczenie nienadzorowane przy wykorzystaniu dwóch prostych platform dla języka Python: Scikit-learn oraz TensorFlow (wraz z Keras). Dzięki dołączonemu kodowi i praktycznym przykładom analitycy danych będą mogli identyfikować trudne do znalezienia wzorce w danych i odkrywać dogłębne zależności biznesowe, wykrywać anomalie, przeprowadzać automatyczną selekcję zmiennych i generować syntetyczne zbiory danych. Wystarczy znajomość programowania i nieco doświadczenia w uczeniu maszynowym, aby zająć się: Porównywaniem mocnych i słabych stron różnych podejść do uczenia maszynowego: uczenia nadzorowanego, nienadzorowanego i wzmacnianego. Przygotowywaniem i zarządzaniem projektami uczenia maszynowego. Budowaniem systemu wykrywania anomalii w celu wychwycenia oszustwa dotyczącego kard kredytowych. Rozdzielaniem użytkowników na wydzielone i jednorodne grupy. Przeprowadzaniem uczenia pół-nadzorowanego. Opracowywaniem systemów polecania filmów z użyciem ograniczonych automatów Boltzmanna. Generowaniem syntetycznych obrazów przy użyciu generujących sieci antagonistycznych. Badacze, inżynierowie i studenci docenią tę książkę pełną praktycznych technik uczenia nienadzorowanego, napisaną prostym językiem z nieskomplikowanymi przykładami w języku Python, które można szybko i skutecznie implementować. Sarah Nagy Główny analityk danych w firmie Edison Ankur A. Patel jest wiceprezesem ds. informatyki analitycznej w firmie 7Park Data, wspieranej przez firmę inwestycyjną Vista Equity Partners. W firmie 7Park Data, Ankur i jego zespół analizy danych wykorzystują dane alternatywne do opracowywania produktów związanych z danymi dla funduszy hedgingowych i korporacji oraz rozwijają usługi uczenia maszynowego dla klientów firmowych.
Sinan Ozdemir
Principles of Data Science bridges mathematics, programming, and business analysis, empowering you to confidently pose and address complex data questions and construct effective machine learning pipelines. This book will equip you with the tools to transform abstract concepts and raw statistics into actionable insights.Starting with cleaning and preparation, you’ll explore effective data mining strategies and techniques before moving on to building a holistic picture of how every piece of the data science puzzle fits together. Throughout the book, you’ll discover statistical models with which you can control and navigate even the densest or the sparsest of datasets and learn how to create powerful visualizations that communicate the stories hidden in your data.With a focus on application, this edition covers advanced transfer learning and pre-trained models for NLP and vision tasks. You’ll get to grips with advanced techniques for mitigating algorithmic bias in data as well as models and addressing model and data drift. Finally, you’ll explore medium-level data governance, including data provenance, privacy, and deletion request handling.By the end of this data science book, you'll have learned the fundamentals of computational mathematics and statistics, all while navigating the intricacies of modern ML and large pre-trained models like GPT and BERT.
Principles of Data Science. Mathematical techniques and theory to succeed in data-driven industries
Sinan Ozdemir
Need to turn your skills at programming into effective data science skills? Principles of Data Science is created to help you join the dots between mathematics, programming, and business analysis. With this book, you’ll feel confident about asking—and answering—complex and sophisticated questions of your data to move from abstract and raw statistics to actionable ideas.With a unique approach that bridges the gap between mathematics and computer science, this books takes you through the entire data science pipeline. Beginning with cleaning and preparing data, and effective data mining strategies and techniques, you’ll move on to build a comprehensive picture of how every piece of the data science puzzle fits together. Learn the fundamentals of computational mathematics and statistics, as well as some pseudocode being used today by data scientists and analysts. You’ll get to grips with machine learning, discover the statistical models that help you take control and navigate even the densest datasets, and find out how to create powerful visualizations that communicate what your data means.
Sinan Ozdemir, Sunil Kakade, Marco Tibaldeschi
Need to turn programming skills into effective data science skills? This book helps you connect mathematics, programming, and business analysis. You’ll feel confident asking—and answering—complex, sophisticated questions of your data, making abstract and raw statistics into actionable ideas.Going through the data science pipeline, you'll clean and prepare data and learn effective data mining strategies and techniques to gain a comprehensive view of how the data science puzzle fits together. You’ll learn fundamentals of computational mathematics and statistics and pseudo-code used by data scientists and analysts. You’ll learn machine learning, discovering statistical models that help control and navigate even the densest datasets, and learn powerful visualizations that communicate what your data means.
Principles of Strategic Data Science. Creating value from data, big and small
Peter Prevos
Mathematics and computer science form an integral part of data science, and understanding them is crucial for efficiently managing data. This book is designed to take you through the entire data science pipeline and help you join the dots between mathematics, programming, and business analysis. You’ll start by learning what data science is and how organizations can use it to revolutionize the way they use their data. The book then covers the criteria for the soundness of data products and demonstrates how to effectively visualize information. As you progress, you’ll discover the strategic aspects of data science by exploring the five-phase framework that enables you to enhance the value you extract from data. Toward the concluding chapters, you’ll understand the role of a data science manager in helping an organization take the data-driven approach.By the end of this book, you’ll have a good understanding of data science and how it can enable you to extract value from your data.
Srinivasa Rao Aravilli, Sam Hamilton
– In an era of evolving privacy regulations, compliance is mandatory for every enterprise – Machine learning engineers face the dual challenge of analyzing vast amounts of data for insights while protecting sensitive information – This book addresses the complexities arising from large data volumes and the scarcity of in-depth privacy-preserving machine learning expertise, and covers a comprehensive range of topics from data privacy and machine learning privacy threats to real-world privacy-preserving cases – As you progress, you’ll be guided through developing anti-money laundering solutions using federated learning and differential privacy – Dedicated sections will explore data in-memory attacks and strategies for safeguarding data and ML models – You’ll also explore the imperative nature of confidential computation and privacy-preserving machine learning benchmarks, as well as frontier research in the field – Upon completion, you’ll possess a thorough understanding of privacy-preserving machine learning, equipping them to effectively shield data from real-world threats and attacks
MrExcel's Holy Macro! Books, Eduardo N Sanchez
This book dives deep into the world of PowerPoint VBA with this practical guide. Starting with basic operations, the book moves through advanced automation techniques, covering themes, layouts, and animations. Readers will learn to craft professional-grade presentations, create interactive quizzes, and integrate PowerPoint with other Office apps, while mastering VBA essentials.This book provides a comprehensive introduction to PowerPoint VBA, enabling readers to apply programming concepts to automate repetitive tasks, enhance presentations, and build creative visual effects. With real-world projects and practical code examples, the book helps readers gain confidence in customizing PowerPoint features.Whether you're creating professional reports, interactive presentations, or seamless Office integrations, this guide ensures you stay ahead with advanced VBA techniques, enabling you to transform your PowerPoint workflow.