1. Wektor, macierz i tablica

• 1.0. Wprowadzenie
• 1.1. Tworzenie wektora
• 1.2. Tworzenie macierzy
• 1.3. Tworzenie macierzy rzadkiej
• 1.4. Wstępna alokacja tablicy NumPy
• 1.5. Pobieranie elementów
• 1.6. Opisywanie macierzy
• 1.7. Przeprowadzanie operacji na wszystkich elementach
• 1.8. Znajdowanie wartości maksymalnej i minimalnej
• 1.9. Obliczanie średniej, wariancji i odchylenia standardowego
• 1.10. Zmiana kształtu tablicy
• 1.11. Transponowanie wektora lub macierzy
• 1.12. Spłaszczanie macierzy
• 1.13. Znajdowanie rzędu macierzy
• 1.14. Pobieranie przekątnej macierzy
• 1.15. Obliczanie śladu macierzy
• 1.16. Obliczanie iloczynu skalarnego
• 1.17. Dodawanie i odejmowanie macierzy
• 1.18. Mnożenie macierzy
• 1.19. Odwracanie macierzy
• 1.20. Generowanie liczb losowych

2. Wczytywanie danych

• 2.0. Wprowadzenie
• 2.1. Wczytywanie przykładowego zbioru danych
• 2.2. Tworzenie symulowanego zbioru danych
• 2.3. Wczytywanie pliku CSV
• 2.4. Wczytywanie pliku Excela
• 2.5. Wczytywanie pliku JSON
• 2.6. Wczytywanie pliku Parquet
• 2.7. Wczytywanie pliku Avro
• 2.8. Wykonywanie zapytań do bazy danych SQLite
• 2.9. Wykonywanie zapytań do zdalnej bazy danych SQL
• 2.10. Wczytywanie danych z Google Sheets
• 2.11. Wczytywanie danych z kubełka S3
• 2.12. Wczytywanie danych nieposiadających struktury

3. Przygotowywanie danych

• 3.0. Wprowadzenie
• 3.1. Tworzenie ramki danych
• 3.2. Opisywanie danych
• 3.3. Poruszanie się po ramce danych
• 3.4. Pobieranie wierszy na podstawie pewnych warunków
• 3.5. Sortowanie wartości
• 3.6. Zastępowanie wartości
• 3.7. Zmiana nazwy kolumny
• 3.8. Znajdowanie wartości minimalnej, maksymalnej, sumy, średniej i liczby elementów w kolumnie
• 3.9. Znajdowanie unikatowych wartości
• 3.10. Obsługa brakujących wartości
• 3.11. Usuwanie kolumn
• 3.12. Usuwanie wiersza
• 3.13. Usuwanie powielonych wierszy
• 3.14. Grupowanie wierszy według wartości
• 3.15. Grupowanie wierszy według czasu
• 3.16. Agregowanie operacji i danych statystycznych
• 3.17. Iterowanie przez kolumnę
• 3.18. Wywoływanie funkcji dla wszystkich elementów kolumny
• 3.19. Wywoływanie funkcji dla grupy
• 3.20. Konkatenacja obiektów typu DataFrame
• 3.21. Złączanie obiektów typu DataFrame

4. Obsługa danych liczbowych

• 4.0. Wprowadzenie
• 4.1. Przeskalowywanie cechy
• 4.2. Standaryzowanie cechy
• 4.3. Normalizowanie obserwacji
• 4.4. Generowanie cech wielomianowych i interakcji
• 4.5. Transformacja cech
• 4.6. Wykrywanie elementów odstających
• 4.7. Obsługa elementów odstających
• 4.8. Dyskretyzacja cech
• 4.9. Grupowanie obserwacji przy użyciu klastra
• 4.10. Usuwanie obserwacji, w których brakuje wartości
• 4.11. Uzupełnianie brakujących wartości

5. Obsługa danych kategoryzujących

• 5.0. Wprowadzenie
• 5.1. Kodowanie nominalnych cech kategoryzujących
• 5.2. Kodowanie porządkowych cech kategoryzujących
• 5.3. Kodowanie słowników cech
• 5.4. Wstawianie brakujących wartości klas
• 5.5. Obsługa niezrównoważonych klas

6. Obsługa tekstu

• 6.0. Wprowadzenie
• 6.1. Oczyszczanie tekstu
• 6.2. Przetwarzanie i oczyszczanie danych HTML
• 6.3. Usuwanie znaku przestankowego
• 6.4. Tokenizacja tekstu
• 6.5. Usuwanie słów o małym znaczeniu
• 6.6. Stemming słów
• 6.7. Oznaczanie części mowy
• 6.8. Rozpoznawanie nazwanych jednostek
• 6.9. Kodowanie tekstu za pomocą modelu worka słów
• 6.10. Określanie wagi słów
• 6.11. Używanie wektorów tekstu do obliczania podobieństwa tekstu w zapytaniu wyszukiwania
• 6.12. Używanie klasyfikatora analizy sentymentu

7. Obsługa daty i godziny

• 7.0. Wprowadzenie
• 7.1. Konwertowanie ciągu tekstowego na datę
• 7.2. Obsługa stref czasowych
• 7.3. Pobieranie daty i godziny
• 7.4. Podział danych daty na wiele cech
• 7.5. Obliczanie różnicy między datami
• 7.6. Kodowanie dni tygodnia
• 7.7. Tworzenie cechy opóźnionej w czasie
• 7.8. Użycie okien upływającego czasu
• 7.9. Obsługa brakujących danych w serii danych zawierających wartości daty i godziny

8. Obsługa obrazów

• 8.0. Wprowadzenie
• 8.1. Wczytywanie obrazu
• 8.2. Zapisywanie obrazu
• 8.3. Zmiana wielkości obrazu
• 8.4. Kadrowanie obrazu
• 8.5. Rozmywanie obrazu
• 8.6. Wyostrzanie obrazu
• 8.7. Zwiększanie kontrastu
• 8.8. Izolowanie kolorów
• 8.9. Progowanie obrazu
• 8.10. Usuwanie tła obrazu
• 8.11. Wykrywanie krawędzi
• 8.12. Wykrywanie narożników w obrazie
• 8.13. Tworzenie cech w uczeniu maszynowym
• 8.14. Użycie histogramu koloru jako cechy
• 8.15. Użycie wytrenowanych embeddingów jako cech
• 8.16. Wykrywanie obiektów za pomocą OpenCV
• 8.17. Klasyfikowanie obrazów za pomocą PyTorch

9. Redukcja wymiarowości za pomocą wyodrębniania cech

• 9.0. Wprowadzenie
• 9.1. Redukowanie cech za pomocą głównych składowych
• 9.2. Redukowanie cech, gdy dane są liniowo nierozłączne
• 9.3. Redukowanie cech przez maksymalizację rozłączności klas
• 9.4. Redukowanie cech za pomocą rozkładu macierzy
• 9.5. Redukowanie cech w rzadkich danych

10. Redukcja wymiarowości za pomocą wyboru cech

• 10.0. Wprowadzenie
• 10.1. Progowanie wariancji cechy liczbowej
• 10.2. Progowanie wariancji cechy binarnej
• 10.3. Obsługa wysoce skorelowanych cech
• 10.4. Usuwanie nieistotnych dla klasyfikacji cech
• 10.5. Rekurencyjne eliminowanie cech

11. Ocena modelu

• 11.0. Wprowadzenie
• 11.1. Modele sprawdzianu krzyżowego
• 11.2. Tworzenie modelu regresji bazowej
• 11.3. Tworzenie modelu klasyfikacji bazowej
• 11.4. Ocena prognoz klasyfikatora binarnego
• 11.5. Ocena progowania klasyfikatora binarnego
• 11.6. Ocena prognoz klasyfikatora wieloklasowego
• 11.7. Wizualizacja wydajności klasyfikatora
• 11.8. Ocena modelu regresji
• 11.9. Ocena modelu klasteryzacji
• 11.10. Definiowanie niestandardowych współczynników oceny modelu
• 11.11. Wizualizacja efektu wywieranego przez wielkość zbioru uczącego
• 11.12. Tworzenie raportu tekstowego dotyczącego współczynnika oceny
• 11.13. Wizualizacja efektu wywieranego przez zmianę wartości hiperparametrów

12. Wybór modelu

• 12.0. Wprowadzenie
• 12.1. Wybór najlepszych modeli przy użyciu wyczerpującego wyszukiwania
• 12.2. Wybór najlepszych modeli za pomocą przeszukiwania losowego
• 12.3. Wybór najlepszych modeli z wielu algorytmów uczenia maszynowego
• 12.4. Wybór najlepszych modeli na etapie przygotowywania danych
• 12.5. Przyspieszanie wyboru modelu za pomocą równoległości
• 12.6. Przyspieszanie wyboru modelu przy użyciu metod charakterystycznych dla algorytmu
• 12.7. Ocena wydajności po wyborze modelu

13. Regresja liniowa

• 13.0. Wprowadzenie
• 13.1. Wyznaczanie linii
• 13.2. Obsługa wpływu interakcji
• 13.3. Wyznaczanie zależności nieliniowej
• 13.4. Redukowanie wariancji za pomocą regularyzacji
• 13.5. Redukowanie cech za pomocą regresji metodą LASSO

14. Drzewa i lasy

• 14.0. Wprowadzenie
• 14.1. Trenowanie klasyfikatora drzewa decyzyjnego
• 14.2. Trenowanie regresora drzewa decyzyjnego
• 14.3. Wizualizacja modelu drzewa decyzyjnego
• 14.4. Trenowanie klasyfikatora losowego lasu
• 14.5. Trenowanie regresora losowego lasu
• 14.6. Ocena losowego lasu za pomocą estymatora błędu out-of-bag
• 14.7. Identyfikacja ważnych cech w losowych lasach
• 14.8. Wybór ważnych cech w losowym lesie
• 14.9. Obsługa niezrównoważonych klas
• 14.10. Kontrolowanie wielkości drzewa
• 14.11. Poprawa wydajności za pomocą wzmocnienia
• 14.12. Wytrenowanie modelu XGBoost
• 14.13. Poprawianie wydajności w czasie rzeczywistym za pomocą LightGBM

15. Algorytm k najbliższych sąsiadów

• 15.0. Wprowadzenie
• 15.1. Wyszukiwanie najbliższych sąsiadów obserwacji
• 15.2. Tworzenie klasyfikatora k najbliższych sąsiadów
• 15.3. Ustalanie najlepszej wielkości sąsiedztwa
• 15.4. Tworzenie klasyfikatora najbliższych sąsiadów opartego na promieniu
• 15.5. Wyszukiwanie przybliżonych najbliższych sąsiadów
• 15.6. Ocena przybliżonych najbliższych sąsiadów

16. Regresja logistyczna

• 16.0. Wprowadzenie
• 16.1. Trenowanie klasyfikatora binarnego
• 16.2. Trenowanie klasyfikatora wieloklasowego
• 16.3. Redukcja wariancji poprzez regularyzację
• 16.4. Trenowanie klasyfikatora na bardzo dużych danych
• 16.5. Obsługa niezrównoważonych klas

17. Maszyna wektora nośnego

• 17.0. Wprowadzenie
• 17.1. Trenowanie klasyfikatora liniowego
• 17.2. Obsługa liniowo nierozdzielnych klas przy użyciu funkcji jądra
• 17.3. Określanie prognozowanego prawdopodobieństwa
• 17.4. Identyfikacja wektorów nośnych
• 17.5. Obsługa niezrównoważonych klas

18. Naiwny klasyfikator bayesowski

• 18.0. Wprowadzenie
• 18.1. Trenowanie klasyfikatora dla cech ciągłych
• 18.2. Trenowanie klasyfikatora dla cech dyskretnych lub liczebnych
• 18.3. Trenowanie naiwnego klasyfikatora bayesowskiego dla cech binarnych
• 18.4. Kalibrowanie prognozowanego prawdopodobieństwa

19. Klasteryzacja

• 19.0. Wprowadzenie
• 19.1. Klasteryzacja za pomocą k średnich
• 19.2. Przyspieszanie klasteryzacji za pomocą k średnich
• 19.3. Klasteryzacja za pomocą algorytmu meanshift
• 19.4. Klasteryzacja za pomocą algorytmu DBSCAN
• 19.5. Klasteryzacja za pomocą łączenia hierarchicznego

20. Tensory w PyTorch

• 20.0. Wprowadzenie
• 20.1. Utworzenie tensora
• 20.2. Utworzenie tensora z poziomu NumPy
• 20.3. Utworzenie tensora rzadkiego
• 20.4. Wybór elementów tensora
• 20.5. Opisanie tensora
• 20.6. Przeprowadzanie operacji na elementach tensora
• 20.7. Wyszukiwanie wartości minimalnej i maksymalnej
• 20.8. Zmiana kształtu tensora
• 20.9. Transponowanie tensora
• 20.10. Spłaszczanie tensora
• 20.11. Obliczanie iloczynu skalarnego
• 20.12. Mnożenie tensorów

21. Sieci neuronowe

• 21.0. Wprowadzenie
• 21.1. Używanie silnika Autograd frameworka PyTorch
• 21.2. Przygotowywanie danych dla sieci neuronowej
• 21.3. Projektowanie sieci neuronowej
• 21.4. Trenowanie klasyfikatora binarnego
• 21.5. Trenowanie klasyfikatora wieloklasowego
• 21.6. Trenowanie regresora
• 21.7. Generowanie prognoz
• 21.8. Wizualizacja historii trenowania
• 21.9. Redukcja nadmiernego dopasowania za pomocą regularyzacji wagi
• 21.10. Redukcja nadmiernego dopasowania za pomocą techniki wcześniejszego zakończenia procesu uczenia
• 21.11. Redukcja nadmiernego dopasowania za pomocą techniki porzucenia
• 21.12. Zapisywanie postępu modelu uczącego
• 21.13. Dostrajanie sieci neuronowej
• 21.14. Wizualizacja sieci neuronowej

22. Sieci neuronowe dla danych pozbawionych struktury

• 22.0. Wprowadzenie
• 22.1. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji obrazów
• 22.2. Wytrenowanie sieci neuronowej na potrzeby klasyfikacji tekstu
• 22.3. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji obrazu
• 22.4. Dostrajanie wytrenowanego modelu na potrzeby klasyfikacji tekstu

23. Zapisywanie, wczytywanie i udostępnianie wytrenowanych modeli

• 23.0. Wprowadzenie
• 23.1. Zapisywanie i wczytywanie modelu biblioteki scikit-learn
• 23.2. Zapisywanie i wczytywanie modelu biblioteki TensorFlow
• 23.3. Zapisywanie i wczytywanie modelu PyTorch
• 23.4. Udostępnianie modeli scikit-learn
• 23.5. Udostępnianie modeli TensorFlow
• 23.6. Udostępnianie modeli PyTorch za pomocą Seldon

• Назва: Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
• Автор: Kyle Gallatin, Chris Albon
• Оригінальна назва: Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning, 2nd Edition
• Переклад: Robert Górczyński
• ISBN: 978-83-289-0812-3, 9788328908123
• Дата видання: 2024-04-23
• Формат: Eлектронна книга
• Ідентифікатор видання: uczma2
• Видавець: Helion