Big data
Jonas Christensen, Nakul Bajaj, Manmohan Gosada, Kirk...
In the rapidly advancing data-driven world where data quality is pivotal to the success of machine learning and artificial intelligence projects, this critically timed guide provides a rare, end-to-end overview of data-centric machine learning (DCML), along with hands-on applications of technical and non-technical approaches to generating deeper and more accurate datasets.This book will help you understand what data-centric ML/AI is and how it can help you to realize the potential of ‘small data’. Delving into the building blocks of data-centric ML/AI, you’ll explore the human aspects of data labeling, tackle ambiguity in labeling, and understand the role of synthetic data. From strategies to improve data collection to techniques for refining and augmenting datasets, you’ll learn everything you need to elevate your data-centric practices. Through applied examples and insights for overcoming challenges, you’ll get a roadmap for implementing data-centric ML/AI in diverse applications in Python.By the end of this book, you’ll have developed a profound understanding of data-centric ML/AI and the proficiency to seamlessly integrate common data-centric approaches in the model development lifecycle to unlock the full potential of your machine learning projects by prioritizing data quality and reliability.
DAX i Power BI w analizie danych. Tworzenie zaawansowanych i efektywnych analiz dla biznesu
Michiel Rozema, Henk Vlootman
DAX i Power BI w analizie danych. Tworzenie zaawansowanych i efektywnych analiz dla biznesu Microsoft Power BI jest doskonałym narzędziem do profesjonalnej analizy danych. Jeśli jednak chcesz uzyskać za jego pomocą naprawdę spektakularne efekty, musisz się biegle posługiwać językiem DAX (Data Analysis Expressions). Pozwala on na wykonywanie zaawansowanych obliczeń i zapytań dotyczących danych w powiązanych tabelach i kolumnach w tabelarycznych modelach danych. To książka przeznaczona dla analityków biznesowych, którzy już poznali język DAX, chcą jednak skorzystać z pełnego potencjału formuł tego języka i modeli Power BI, by tworzyć wydajne i zaawansowane analizy danych. Opisano w niej zasady analizy biznesowej i reguły projektowania dobrych modeli. Zaprezentowano też praktyczne przykłady użycia języka DAX w rzeczywistych sytuacjach biznesowych. Pokazano niuanse pracy z modelami Power BI, a także z funkcjami DAX, filtrami i miarami. Nie zabrakło bardzo przydatnych wskazówek dotyczących błędów popełnianych często podczas tworzenia zaawansowanych agregacji danych. Do książki zostały dołączone materiały do pobrania (pliki PBIX), które ułatwią pełne zrozumienie prezentowanych treści i ich stosowanie we własnej praktyce zawodowej. Najciekawsze zagadnienia: koncepcje modelowania danych i struktur modele Power BI a modele systemów zarządzania relacyjnymi bazami danych bezpieczne poziomy agregacji, atrybuty i hierarchie koncepcja kontekstu i jej stosowanie standardowa analiza czasowa inteligentna ocena inwestycji za pomocą finansowych funkcji DAX Poznaj prawdziwy potencjał języka DAX w analizie danych!
DAX i Power BI w analizie danych. Tworzenie zaawansowanych i efektywnych analiz dla biznesu
Michiel Rozema, Henk Vlootman
DAX i Power BI w analizie danych. Tworzenie zaawansowanych i efektywnych analiz dla biznesu Microsoft Power BI jest doskonałym narzędziem do profesjonalnej analizy danych. Jeśli jednak chcesz uzyskać za jego pomocą naprawdę spektakularne efekty, musisz się biegle posługiwać językiem DAX (Data Analysis Expressions). Pozwala on na wykonywanie zaawansowanych obliczeń i zapytań dotyczących danych w powiązanych tabelach i kolumnach w tabelarycznych modelach danych. To książka przeznaczona dla analityków biznesowych, którzy już poznali język DAX, chcą jednak skorzystać z pełnego potencjału formuł tego języka i modeli Power BI, by tworzyć wydajne i zaawansowane analizy danych. Opisano w niej zasady analizy biznesowej i reguły projektowania dobrych modeli. Zaprezentowano też praktyczne przykłady użycia języka DAX w rzeczywistych sytuacjach biznesowych. Pokazano niuanse pracy z modelami Power BI, a także z funkcjami DAX, filtrami i miarami. Nie zabrakło bardzo przydatnych wskazówek dotyczących błędów popełnianych często podczas tworzenia zaawansowanych agregacji danych. Do książki zostały dołączone materiały do pobrania (pliki PBIX), które ułatwią pełne zrozumienie prezentowanych treści i ich stosowanie we własnej praktyce zawodowej. Najciekawsze zagadnienia: koncepcje modelowania danych i struktur modele Power BI a modele systemów zarządzania relacyjnymi bazami danych bezpieczne poziomy agregacji, atrybuty i hierarchie koncepcja kontekstu i jej stosowanie standardowa analiza czasowa inteligentna ocena inwestycji za pomocą finansowych funkcji DAX Poznaj prawdziwy potencjał języka DAX w analizie danych!
DAX w Power BI. Podstawy. Podręcznik z ćwiczeniami
Justyna Pyrcz
Poznaj język, za pomocą którego analitycy sprawiają, że dane są posłuszne, a raporty ciekawsze! Język DAX (ang. Data Analysis Expressions) został stworzony przez firmę Microsoft, by umożliwić wykonywanie efektywnych obliczeń na danych przechowywanych w wielu tabelach i przetwarzanych w Power BI, Excel Power Pivot czy SQL Server Analysis Services. Możliwości DAX-a są naprawdę ogromne, osoba, która go opanuje, zyska potężnego sprzymierzeńca w pracy z wielkimi zbiorami danych ukrytymi pod wyświetlanymi w raportach wykresami czy tabelami. Ten podręcznik wyjaśnia podstawy działania języka DAX i stosowania go w Power BI. Napisany przystępnym językiem, uczy obsługi prostych modeli danych i korzystania z szeregu podstawowych, choć nieoczywistych funkcji. Ich opanowanie pozwala zacząć samodzielnie tworzyć ciekawe analizy, a równocześnie oswoić się z DAX-em i modelem danych. Dzięki lekturze książki i wykonaniu zawartych w niej ćwiczeń dowiesz się między innymi: Czym jest model danych Do czego służą kolumny kalkulowane, miary i co to są konteksty wykonania Jak działają funkcje agregujące i iteracyjne Jak używać CALCULATE - najważniejszej funkcji języka DAX Do czego można użyć funkcji tablicowych Jak w prosty sposób tworzyć dynamiczne komunikaty
Ali Madani
Debugging Machine Learning Models with Python is a comprehensive guide that navigates you through the entire spectrum of mastering machine learning, from foundational concepts to advanced techniques. It goes beyond the basics to arm you with the expertise essential for building reliable, high-performance models for industrial applications. Whether you're a data scientist, analyst, machine learning engineer, or Python developer, this book will empower you to design modular systems for data preparation, accurately train and test models, and seamlessly integrate them into larger technologies.By bridging the gap between theory and practice, you'll learn how to evaluate model performance, identify and address issues, and harness recent advancements in deep learning and generative modeling using PyTorch and scikit-learn. Your journey to developing high quality models in practice will also encompass causal and human-in-the-loop modeling and machine learning explainability. With hands-on examples and clear explanations, you'll develop the skills to deliver impactful solutions across domains such as healthcare, finance, and e-commerce.
Cuantum Technologies LLC
Dive into the world of deep learning with this comprehensive guide that bridges theory and practice. From foundational neural networks to advanced architectures like CNNs, RNNs, and Transformers, this book equips you with the tools to build, train, and optimize AI models using TensorFlow, Keras, and PyTorch. Clear explanations of key concepts such as gradient descent, loss functions, and backpropagation are combined with hands-on exercises to ensure practical understanding.Explore cutting-edge AI frameworks, including generative adversarial networks (GANs) and autoencoders, while mastering real-world applications like image classification, text generation, and natural language processing. Detailed chapters cover transfer learning, fine-tuning pretrained models, and deployment strategies for cloud and edge computing. Practical exercises and projects further solidify your skills as you implement AI solutions for diverse challenges.Whether you're deploying AI models on cloud platforms like AWS or optimizing them for edge devices with TensorFlow Lite, this book provides step-by-step guidance. Designed for developers, AI enthusiasts, and data scientists, it balances theoretical depth with actionable insights, making it the ultimate resource for mastering modern deep learning frameworks and advancing your career in AI
Deep learning is a popular subset of machine learning, and it allows you to build complex models that are faster and give more accurate predictions. This book is your companion to take your first steps into the world of deep learning, with hands-on examples to boost your understanding of the topic.This book starts with a quick overview of the essential concepts of data science and machine learning which are required to get started with deep learning. It introduces you to Tensorflow, the most widely used machine learning library for training deep learning models. You will then work on your first deep learning problem by training a deep feed-forward neural network for digit classification, and move on to tackle other real-world problems in computer vision, language processing, sentiment analysis, and more. Advanced deep learning models such as generative adversarial networks and their applications are also covered in this book.By the end of this book, you will have a solid understanding of all the essential concepts in deep learning. With the help of the examples and code provided in this book, you will be equipped to train your own deep learning models with more confidence.
Deep learning is a popular subset of machine learning, and it allows you to build complex models that are faster and give more accurate predictions. This book is your companion to take your first steps into the world of deep learning, with hands-on examples to boost your understanding of the topic.This book starts with a quick overview of the essential concepts of data science and machine learning which are required to get started with deep learning. It introduces you to Tensorflow, the most widely used machine learning library for training deep learning models. You will then work on your first deep learning problem by training a deep feed-forward neural network for digit classification, and move on to tackle other real-world problems in computer vision, language processing, sentiment analysis, and more. Advanced deep learning models such as generative adversarial networks and their applications are also covered in this book.By the end of this book, you will have a solid understanding of all the essential concepts in deep learning. With the help of the examples and code provided in this book, you will be equipped to train your own deep learning models with more confidence.
Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch
Jeremy Howard, Sylvain Gugger
Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii biznesowych - wchodzimy do świata, który do niedawna był dostępny głównie dla naukowców. W konsekwencji trudno o źródła wiedzy, które równocześnie byłyby przystępne dla zwykłych programistów i miały wysoką wartość merytoryczną. Problem polega na tym, że bez dogłębnego zrozumienia działania algorytmów uczenia głębokiego trudno tworzyć dobre aplikacje. Oto praktyczny i przystępny przewodnik po koncepcjach uczenia głębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Pokazano w niej również praktyczne techniki przekształcania modeli w działające aplikacje. Znalazło się tu mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli. Nie zabrakło też informacji o najlepszych sposobach wdrażania od podstaw algorytmów uczenia głębokiego i stosowaniu ich w najnowocześniejszych rozwiązaniach. W książce między innymi: gruntownie i przystępnie omówione podstawy uczenia głębokiego najnowsze techniki uczenia głębokiego i ich praktyczne zastosowanie działanie modeli oraz zasady ich treningu praktyczne tworzenie aplikacji korzystających z uczenia głębokiego wdrażanie algorytmów uczenia głębokiego etyczne implikacje AI Uczenie głębokie? Dobrze zrozum, dobrze zastosuj!
Wei Di, Jianing Wei, Anurag Bhardwaj
Deep Learning a trending topic in the field of Artificial Intelligence today and can be considered to be an advanced form of machine learning. This book will help you take your first steps in training efficient deep learning models and applying them in various practical scenarios. You will model, train, and deploy different kinds of neural networks such as CNN, RNN, and will see some of their applications in real-world domains including computer vision, natural language processing, speech recognition, and so on. You will build practical projects such as chatbots, implement reinforcement learning to build smart games, and develop expert systems for image captioning and processing using Python library such as TensorFlow. This book also covers solutions for different problems you might come across while training models, such as noisy datasets, and small datasets.By the end of this book, you will have a firm understanding of the basics of deep learning and neural network modeling, along with their practical applications.
Wei Di, Jianing Wei, Anurag Bhardwaj
Deep Learning a trending topic in the field of Artificial Intelligence today and can be considered to be an advanced form of machine learning. This book will help you take your first steps in training efficient deep learning models and applying them in various practical scenarios. You will model, train, and deploy different kinds of neural networks such as CNN, RNN, and will see some of their applications in real-world domains including computer vision, natural language processing, speech recognition, and so on. You will build practical projects such as chatbots, implement reinforcement learning to build smart games, and develop expert systems for image captioning and processing using Python library such as TensorFlow. This book also covers solutions for different problems you might come across while training models, such as noisy datasets, and small datasets.By the end of this book, you will have a firm understanding of the basics of deep learning and neural network modeling, along with their practical applications.