O autorze

O recenzencie

Przedmowa

Rozdział 1. Wprowadzenie do uczenia maszynowego

• Początki uczenia maszynowego
• Użycia i nadużycia uczenia maszynowego
  • Sukcesy uczenia maszynowego
  • Ograniczenia uczenia maszynowego
  • Etyka uczenia maszynowego
• Jak uczą się maszyny?
  • Zachowywanie danych
  • Abstrakcja
  • Generalizacja
  • Ewaluacja
• Uczenie maszynowe w praktyce
  • Typy danych wejściowych
  • Typy algorytmów uczenia maszynowego
  • Dopasowywanie danych wejściowych do algorytmów
• Uczenie maszynowe w języku R
  • Instalowanie pakietów R
  • Wczytywanie pakietów R i usuwanie ich z pamięci
  • Instalowanie RStudio
  • Dlaczego R i dlaczego teraz?
• Podsumowanie

Rozdział 2. Zarządzanie danymi

• Struktury danych języka R
  • Wektory
  • Czynniki
  • Listy
  • Ramki danych
  • Macierze i tablice
• Zarządzanie danymi w języku R
  • Wczytywanie, zapisywanie i usuwanie struktur danych R
  • Importowanie i zapisywanie zbiorów danych z plików CSV
  • Importowanie typowych formatów zbiorów danych do RStudio
• Badanie i rozumienie danych
  • Badanie struktury danych
  • Badanie cech liczbowych
  • Badanie cech kategorycznych
  • Eksplorowanie relacji między cechami
• Podsumowanie

Rozdział 3. Uczenie leniwe - klasyfikacja metodą najbliższych sąsiadów

• Klasyfikacja metodą najbliższych sąsiadów
  • Algorytm k-NN
  • Dlaczego algorytm k-NN jest "leniwy"?
• Przykład - diagnozowanie raka piersi a pomocą algorytmu k-NN
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
• Podsumowanie

Rozdział 4. Uczenie probabilistyczne - naiwny klasyfikator bayesowski

• Naiwny klasyfikator bayesowski
  • Podstawowe założenia metod bayesowskich
  • Naiwny klasyfikator bayesowski
• Przykład - filtrowanie spamu w telefonach komórkowych za pomocą naiwnego klasyfikatora bayesowskiego
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ocena działania modelu
  • Etap 5. Ulepszanie modelu
• Podsumowanie

Rozdział 5. Dziel i zwyciężaj - klasyfikacja z wykorzystaniem drzew decyzyjnych i reguł

• Drzewa decyzyjne
  • Dziel i zwyciężaj
  • Algorytm drzewa decyzyjnego C5.0
• Przykład - identyfikowanie ryzykownych pożyczek za pomocą drzew decyzyjnych C5.0
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ocena działania modelu
  • Etap 5. Poprawianie działania modelu
• Reguły klasyfikacji
  • Wydzielaj i zwyciężaj
  • Algorytm 1R
  • Algorytm RIPPER
  • Reguły z drzew decyzyjnych
  • Dlaczego drzewa i reguły są "zachłanne"?
• Przykład - identyfikowanie trujących grzybów za pomocą algorytmu uczącego się reguł
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
• Podsumowanie

Rozdział 6. Prognozowanie danych liczbowych - metody regresji

• Regresja
  • Prosta regresja liniowa
  • Metoda zwykłych najmniejszych kwadratów
  • Korelacje
  • Wieloraka regresja liniowa
  • Uogólnione modele liniowe i regresja logistyczna
• Przykład - przewidywanie kosztów likwidacji szkód z wykorzystaniem regresji liniowej
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
  • Krok dalej - przewidywanie odpływu ubezpieczonych z wykorzystaniem regresji logistycznej
• Drzewa regresji i drzewa modeli
  • Dodawanie regresji do drzew
• Przykład - ocenianie jakości win za pomocą drzew regresji i drzew modeli
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
• Podsumowanie

Rozdział 7. Czarne skrzynki - sieci neuronowe i maszyny wektorów nośnych

• Sieci neuronowe
  • Od neuronów biologicznych do sztucznych
  • Funkcje aktywacji
  • Topologia sieci
  • Trenowanie sieci neuronowej za pomocą propagacji wstecznej
• Przykład - modelowanie wytrzymałości betonu za pomocą sieci ANN
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
• Maszyny wektorów nośnych
  • Klasyfikacja za pomocą hiperpłaszczyzn
  • Używanie funkcji jądrowych w przestrzeniach nieliniowych
• Przykład - optyczne rozpoznawanie znaków za pomocą modelu SVM
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
• Podsumowanie

Rozdział 8. Znajdowanie wzorców - analiza koszyka z wykorzystaniem reguł asocjacyjnych

• Reguły asocjacyjne
  • Algorytm Apriori do nauki reguł asocjacyjnych
  • Mierzenie istotności reguł - wsparcie i ufność
  • Budowanie zbioru reguł z wykorzystaniem zasady Apriori
• Przykład - identyfikowanie często kupowanych artykułów spożywczych za pomocą reguł asocjacyjnych
  • Etap 1. Gromadzenie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
• Podsumowanie

Rozdział 9. Znajdowanie grup danych - klasteryzacja metodą k-średnich

• Klasteryzacja
  • Klasteryzacja jako zadanie uczenia maszynowego
  • Klastry algorytmów klasteryzacji
  • Klasteryzacja metodą k-średnich
• Znajdowanie segmentów rynkowych wśród nastolatków poprzez klasteryzację metodą k-średnich
  • Etap 1. Zbieranie danych
  • Etap 2. Badanie i przygotowywanie danych
  • Etap 3. Trenowanie modelu na danych
  • Etap 4. Ewaluacja modelu
  • Etap 5. Poprawianie działania modelu
• Podsumowanie

Rozdział 10. Ewaluacja działania modelu

• Mierzenie trafności klasyfikacji
  • Rozumienie prognoz klasyfikatora
  • Bliższe spojrzenie na macierze błędów
  • Używanie macierzy błędów do mierzenia trafności
  • Nie tylko dokładność - inne miary trafności
  • Wizualizacja kompromisów za pomocą krzywych ROC
• Szacowanie przyszłej trafności
  • Metoda wstrzymywania
  • Walidacja krzyżowa
  • Próbkowanie bootstrapowe
• Podsumowanie

Rozdział 11. Jak odnieść sukces w uczeniu maszynowym?

• Co decyduje o sukcesie praktyka uczenia maszynowego?
• Co decyduje o sukcesie modelu uczenia maszynowego?
  • Unikanie oczywistych prognoz
  • Przeprowadzanie uczciwych ewaluacji
  • Uwzględnianie realiów
  • Budowanie zaufania do modelu
• Więcej "nauki" w "nauce o danych"
  • Notatniki R i znakowanie R
  • Zaawansowane badanie danych
• Podsumowanie

Rozdział 12. Zaawansowane przygotowywanie danych

• Inżynieria cech
  • Rola człowieka i maszyny
  • Wpływ big data i uczenia głębokiego
• Praktyczna inżynieria cech
  • Podpowiedź 1. Znajdź nowe cechy podczas burzy mózgów
  • Podpowiedź 2. Znajdź spostrzeżenia ukryte w tekście
  • Podpowiedź 3. Przekształcaj zakresy liczbowe
  • Podpowiedź 4. Obserwuj zachowanie sąsiadów
  • Podpowiedź 5. Wykorzystaj powiązane wiersze
  • Podpowiedź 6. Dekomponuj szeregi czasowe
  • Podpowiedź 7. Dołącz dane zewnętrzne
• tidyverse
  • "Schludne" struktury tabelaryczne - obiekty tibble
  • Szybsze odczytywanie plików prostokątnych za pomocą pakietów readr i readxl
  • Przygotowywanie i potokowe przetwarzanie danych za pomocą pakietu dplyr
  • Przekształcanie tekstu za pomocą pakietu stringr
  • Czyszczenie danych za pomocą pakietu lubridate
• Podsumowanie

Rozdział 13. Trudne dane - za duże, za małe, zbyt złożone

• Dane wysokowymiarowe
  • Stosowanie selekcji cech
  • Ekstrakcja cech
• Używanie danych rozrzedzonych
  • Identyfikowanie danych rozrzedzonych
  • Przykład - zmiana odwzorowania rozrzedzonych danych kategorycznych
  • Przykład - dzielenie rozrzedzonych danych liczbowych na przedziały
• Obsługa brakujących danych
  • Typy brakujących danych
  • Imputacja brakujących wartości
• Problem niezrównoważonych danych
  • Proste strategie przywracania równowagi danych
  • Generowanie syntetycznego zrównoważonego zbioru danych z wykorzystaniem algorytmu SMOTE
  • Czy zrównoważone zawsze znaczy lepsze?
• Podsumowanie

Rozdział 14. Budowanie lepiej uczących się modeli

• Dostrajanie standardowych modeli
  • Określanie zakresu dostrajania hiperparametrów
  • Przykład - automatyczne dostrajanie za pomocą pakietu caret
• Zwiększanie trafności modeli za pomocą zespołów
  • Uczenie zespołowe
  • Popularne algorytmy zespołowe
• Spiętrzanie modeli do celów metanauki
  • Spiętrzanie i mieszanie modeli
  • Praktyczne metody mieszania i spiętrzania w języku R
• Podsumowanie

Rozdział 15. Praca z big data

• Praktyczne zastosowania uczenia głębokiego
  • Pierwsze kroki w uczeniu głębokim
  • Konwolucyjne sieci neuronowe
• Uczenie nienadzorowane a big data
  • Reprezentowanie koncepcji wysokowymiarowych jako osadzeń
  • Wizualizacja danych wysokowymiarowych
• Adaptowanie języka R do obsługi dużych zbiorów danych
  • Odpytywanie baz danych SQL
  • Szybsza praca dzięki przetwarzaniu równoległemu
  • Używanie wyspecjalizowanego sprzętu i algorytmów
• Podsumowanie

• Назва: Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV
• Автор: Brett Lantz
• Оригінальна назва: Machine Learning with R: Learn techniques for building and improving machine learning models, from data preparation to model tuning, evaluation, and working with big data, 4th Edition
• Переклад: Grzegorz Werner
• ISBN: 978-83-289-0900-7, 9788328909007
• Дата видання: 2024-06-04
• Формат: Eлектронна книга
• Ідентифікатор видання: uczjr4
• Видавець: Helion
• вікова категорія: 14+