Publisher: 16
Machine Learning for the Web. Gaining insight and intelligence from the internet with Python
Andrea Isoni
Python is a general purpose and also a comparatively easy to learn programming language. Hence it is the language of choice for data scientists to prototype, visualize, and run data analyses on small and medium-sized data sets. This is a unique book that helps bridge the gap between machine learning and web development. It focuses on the difficulties of implementing predictive analytics in web applications. We focus on the Python language, frameworks, tools, and libraries, showing you how to build a machine learning system. You will explore the core machine learning concepts and then develop and deploy the data into a web application using the Django framework. You will also learn to carry out web, document, and server mining tasks, and build recommendation engines. Later, you will explore Python’s impressive Django framework and will find out how to build a modern simple web app with machine learning features.
Ben Auffarth
The Python time-series ecosystem is huge and often quite hard to get a good grasp on, especially for time-series since there are so many new libraries and new models. This book aims to deepen your understanding of time series by providing a comprehensive overview of popular Python time-series packages and help you build better predictive systems.Machine Learning for Time-Series with Python starts by re-introducing the basics of time series and then builds your understanding of traditional autoregressive models as well as modern non-parametric models. By observing practical examples and the theory behind them, you will become confident with loading time-series datasets from any source, deep learning models like recurrent neural networks and causal convolutional network models, and gradient boosting with feature engineering.This book will also guide you in matching the right model to the right problem by explaining the theory behind several useful models. You’ll also have a look at real-world case studies covering weather, traffic, biking, and stock market data.By the end of this book, you should feel at home with effectively analyzing and applying machine learning methods to time-series.
Hyatt Saleh
As machine learning algorithms become popular, new tools that optimize these algorithms are also developed. Machine Learning Fundamentals explains you how to use the syntax of scikit-learn. You'll study the difference between supervised and unsupervised models, as well as the importance of choosing the appropriate algorithm for each dataset. You'll apply unsupervised clustering algorithms over real-world datasets, to discover patterns and profiles, and explore the process to solve an unsupervised machine learning problem.The focus of the book then shifts to supervised learning algorithms. You'll learn to implement different supervised algorithms and develop neural network structures using the scikit-learn package. You'll also learn how to perform coherent result analysis to improve the performance of the algorithm by tuning hyperparameters.By the end of this book, you will have gain all the skills required to start programming machine learning algorithms.
Machine Learning Hero. Master Data Science with Python Essentials
Cuantum Technologies LLC
This book takes you on a journey through the world of machine learning, beginning with foundational concepts such as supervised and unsupervised learning, and progressing to advanced topics like feature engineering, hyperparameter tuning, and dimensionality reduction. Each chapter blends theory with practical exercises to ensure a deep understanding of the material.The book emphasizes Python, introducing essential libraries like NumPy, Pandas, Matplotlib, and Scikit-learn, along with deep learning frameworks like TensorFlow and PyTorch. You’ll learn to preprocess data, visualize insights, and build models capable of tackling complex datasets. Hands-on coding examples and exercises reinforce concepts and help bridge the gap between knowledge and application.In the final chapters, you'll work on real-world projects like predictive analytics, clustering, and regression. These projects are designed to provide a practical context for the techniques learned and equip you with actionable skills for data science and AI roles. By the end, you'll be prepared to apply machine learning principles to solve real-world challenges with confidence.
Machine Learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek
Piotr Szajowski
Obierz kurs na... machine learning! Uczenie maszynowe obejmuje techniki wykorzystywane najczęściej w obszarze określanym mianem sztucznej inteligencji — a właśnie ona jest w tej chwili jednym z głównych kierunków rozwoju technologicznego branży IT. Niesamowite jest to, że po odpowiednim przekształceniu wiele problemów praktycznych, inżynierskich czy też biznesowych można rozwiązać właśnie z użyciem uczenia maszynowego. Można dzięki niemu wyszukiwać zdjęcia, na których znajdują się te same lub podobne obiekty, klasyfikować teksty z danej dziedziny, szacować, jak potoczy się kariera absolwenta szkoły i jaki kolejny produkt klient umieści w koszyku. Rozwiązania takich problemów są źródłem budowania wartości właściwie w każdej branży, w której nastąpiła już choćby minimalna cyfryzacja. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pomoże Ci zorientować się w najważniejszych kwestiach dotyczących uczenia maszynowego i poznać techniki budowania praktycznych modeli, pozwalających swobodnie poruszać się w dużych zbiorach danych i wyłuskiwać z nich potrzebne informacje. Wgryź się w podstawy uczenia maszynowego i wykorzystaj je już dziś — ta rewolucja dzieje się naprawdę! Czego nauczysz się podczas naszego profesjonalnego szkolenia? Zainstalujesz i skonfigurujesz środowisko Anaconda. Nauczysz się korzystać z Google Colaboratory. Poznasz dobre praktyki w uczeniu maszynowym (w tym metody projektowe). Zobaczysz, jak wygląda wczytywanie danych i manipulowanie nimi za pomocą biblioteki Pandas. Wykorzystasz modele zaimplementowane w bibliotece Scikit-Learn (sklearn) do rozwiązania problemów: klasyfikacji, regresji, redukcji wymiaru, poszukiwania skupień. Zbudujesz modele sieci neuronowych w bibliotece Keras/Tensorflow (w tym modele sieci konwolucyjnych i rekurencyjnych). Sprawdzisz, jak wykorzystać biblioteki MLextend do analiz asocjacji. W kolejnych krokach opanujesz technikę transfer learningu, dokonasz optymalizacji hiperparametrów modeli i odkryjesz, jak działa konteneryzacja rozwiązań z użyciem Dockera. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek zakończysz na poziomie podstawowym, ale Twoja wiedza zwiększy się zdecydowanie. Bezpośrednio dzięki umiejętnościom zdobytym w czasie kursu będziesz potrafił zbudować takie rozwiązania jak: klasyfikator obrazów (na przykład rozpoznający, że na obrazie z kamery bezpieczeństwa pojawił się jakiś konkretny obiekt), klasyfikator tekstów (na przykład pozwalający zaklasyfikować wiadomości do odpowiedniej kategorii), model do prognozy zjawisk obserwowanych w czasie (na przykład prognozujący liczbę samochodów, które przejeżdżają dany odcinek drogi), model mierzący różne wartości liczbowe na podstawie obrazów (na przykład taki, który jest w stanie stwierdzić, jak bardzo nachylony jest obiekt znajdujący się na zdjęciu), model pozwalający wyszukiwać obiekty o podobnych cechach (na przykład zdjęcia zawierające podobne obiekty). Sztuczna inteligencja i uczenie maszynowe Sztuczna inteligencja w połączeniu z rozwojem narzędzi big data, usług chmurowych i stopniowym zwiększaniem mocy obliczeniowej nawet komputerów klasy PC coraz szybciej przekształca branżę IT. Dzięki temu, że należące do niej wielkie firmy udostępniły na zasadach open source wiele narzędzi i bibliotek, które pozwalają na szybkie i sprawne budowanie rozwiązań opartych na uczeniu maszynowym, rozwój tej dziedziny przyspiesza jeszcze bardziej. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pozwoli Ci odkryć najważniejsze techniki uczenia maszynowego i dostosować modele do Twoich celów. Oprócz przykładów zastosowania klasyfikacji z użyciem płytkiego i głębokiego uczenia maszynowego oraz zastosowania regresji znajdziesz tu przykłady uczenia nienadzorowanego, optymalizacji hiperparametrów oraz konteneryzacji wytrenowanych modeli za pomocą Dockera. Przyjmij zaproszenie do świata AI! Trudno określić, jak będzie się rozwijać uczenie maszynowe w przyszłości, jednak pewne jest, że przynajmniej w najbliższych latach będzie to dziedzina znajdująca coraz więcej praktycznych zastosowań. Zaobserwować można postępującą „demokratyzację” uczenia maszynowego — narzędzia stają się coraz łatwiejsze w użyciu, dostępne są już wytrenowane modele, które dzięki technice transfer learningu łatwo jest zaprząc do rozwiązywania własnych problemów, a usługi chmurowe, oferujące możliwość użycia komputerów o dużej mocy obliczeniowej, mają na tyle przystępne ceny, że każda firma czy nawet osoba prywatna może sobie pozwolić na korzystanie z tych narzędzi. To wszystko powoduje, że wiele osób pragnie jak najszybciej poznać techniki związane z uczeniem maszynowym i ze sztuczną inteligencją. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek to najlepszy wstęp do praktycznego zastosowania metod zdecydowanie ułatwiających pracę z dużymi zbiorami danych. Po tym kursie już nigdy nie będziesz musiał ręcznie szukać igły w stogu siana. Tylko dla wtajemniczonych W 2020 roku firma OpenAI udostępniła API do modelu GPT-3, którego najobszerniejsza wersja zawiera przeszło 170 miliardów parametrów (dla porównania: modele omawiane podczas szkolenia Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek mają maksymalnie kilkadziesiąt milionów parametrów). Okazuje się, że tak duży model, wytrenowany na ogromnym zbiorze tekstów, zaczyna mieć już pewne cechy, których spodziewać by się można po przyszłych modelach „ogólnej sztucznej inteligencji” — potrafi rozwiązywać zadania, do których nie został bezpośrednio wytrenowany. Jego możliwości są oczywiście nadal bardzo dalekie od możliwości ludzkiego mózgu, jednakże jego potencjalne praktyczne zastosowania są przeogromne, wręcz przełomowe. Obecnie dostęp do modelu GPT-3 jest możliwy jedynie przez API udostępniane beta testerom, ale gdy tylko dostęp ten stanie się powszechny, warto poeksperymentować z tym modelem i sprawdzić jego działanie. Jak zrozumieć działanie modeli klasyfikacji w Pythonie?
Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie
Piotr Wróblewski
Wejdź na nowy poziom programowania z ML i NLP Sztuczna inteligencja stale się rozwija. Właściwie codziennie słyszymy o jej rosnących możliwościach, nowych osiągnięciach i przyszłości, jaką nam przyniesie. Jednak w tej książce skupiamy się nie na przyszłości, a na teraźniejszości i praktycznym obliczu AI - na usługach, które świadczy już dziś. Większość najciekawszych zastosowań sztucznej inteligencji bazuje na ML (uczenie maszynowe, ang. machine learning), NLP (przetwarzanie języka naturalnego, ang. natural language processing) i architekturze RAG (ang. retrieval augmented generation) zwiększającej możliwości tzw. dużych modeli językowych (LLM, ang. large language model). Stanowią one podwaliny budowy systemów AI, bez których te systemy często wcale nie mogłyby powstać. Do niedawna ML i NLP pozostawały domeną badaczy i specjalistów - znajdowały się poza zasięgiem praktyków programowania. Aktualnie jest inaczej, szybkie komputery, pojemne pamięci RAM i zaawansowane procesory pozwalają stosować te technologie w codziennej pracy programisty. Szczególnie programisty języka Python, do którego są one niemal "naturalnie" przypisane. Mało tego, od kodujących w Pythonie coraz częściej wręcz wymaga się umiejętności znajomości obszaru AI. Tym bardziej warto sięgnąć po ten podręcznik z ćwiczeniami, dzięki któremu między innymi: Dowiesz się, jak używać Pythona do rozwiązywania problemów AI Poznasz tajniki analizy tekstów, analizy sentymentu Zrozumiesz, jak skutecznie używać algorytmów klasyfikacji, regresji i grupowania do rozwiązywania problemów biznesowych Pokonwersujesz z ChatGPT - i to bez wchodzenia na stronę internetową tego serwisu
Saleh Alkhalifa
The booming fields of biotechnology and life sciences have seen drastic changes over the last few years. With competition growing in every corner, companies around the globe are looking to data-driven methods such as machine learning to optimize processes and reduce costs. This book helps lab scientists, engineers, and managers to develop a data scientist's mindset by taking a hands-on approach to learning about the applications of machine learning to increase productivity and efficiency in no time.You’ll start with a crash course in Python, SQL, and data science to develop and tune sophisticated models from scratch to automate processes and make predictions in the biotechnology and life sciences domain. As you advance, the book covers a number of advanced techniques in machine learning, deep learning, and natural language processing using real-world data.By the end of this machine learning book, you'll be able to build and deploy your own machine learning models to automate processes and make predictions using AWS and GCP.
AshishSingh Bhatia, Bostjan Kaluza
As the amount of data in the world continues to grow at an almost incomprehensible rate, being able to understand and process data is becoming a key differentiator for competitive organizations. Machine learning applications are everywhere, from self-driving cars, spam detection, document search, and trading strategies, to speech recognition. This makes machine learning well-suited to the present-day era of big data and Data Science. The main challenge is how to transform data into actionable knowledge.Machine Learning in Java will provide you with the techniques and tools you need. You will start by learning how to apply machine learning methods to a variety of common tasks including classification, prediction, forecasting, market basket analysis, and clustering. The code in this book works for JDK 8 and above, the code is tested on JDK 11.Moving on, you will discover how to detect anomalies and fraud, and ways to perform activity recognition, image recognition, and text analysis. By the end of the book, you will have explored related web resources and technologies that will help you take your learning to the next level.By applying the most effective machine learning methods to real-world problems, you will gain hands-on experience that will transform the way you think about data.