Szczegóły ebooka

Zaawansowane uczenie maszynowe z językiem Python

Zaawansowane uczenie maszynowe z językiem Python

John Hearty

Ebook

Uczenie maszynowe przyczyniło się do powstania wielu innowacyjnych technologii. Pojazdy autonomiczne, mechanizmy rozpoznawania obrazów, badania genetyczne, a także dynamiczne dostosowywanie prezentowanych treści do preferencji odbiorcy to tylko niektóre przykłady. Możliwości związane z rozwojem tych technik sprawiają, że analityka danych i zaawansowane uczenie maszynowe stają się wyjątkowo cenną wiedzą. Dotyczy to szczególnie nowatorskich technik analizy danych, takich jak głębokie uczenie, algorytmy częściowo nadzorowane i metody zespołowe.

Niniejsza książka jest przystępnie napisanym podręcznikiem, dzięki któremu poznasz niektóre zaawansowane techniki uczenia maszynowego. Szczególną uwagę poświęcono tu algorytmom uczenia maszynowego: zostały dokładnie wyjaśnione, opisano ich zastosowanie oraz topologię, metody uczenia i miary wydajności. Każdy rozdział uzupełniono o wykaz źródeł, pomocny w dalszym zgłębianiu tematu. Dodatkowo przedstawiono wiele cennych wskazówek dotyczących specyfiki pracy analityka danych. Do prezentacji przykładów wybrano język Python z uwagi na jego wszechstronność, elastyczność, prostotę oraz możliwość stosowania do specjalistycznych zadań.

Najważniejsze zagadnienia przedstawione w książce:

  • identyfikacja struktur i wzorców w zbiorach danych
  • stosowanie sieci neuronowych
  • praca z językiem naturalnym
  • modele zespołowe i poprawa ich elastyczności
  • narzędzia uczenia maszynowego w Pythonie

Zaawansowane uczenie maszynowe — poznaj algorytmy przyszłości!

John Hearty — jest autorytetem w dziedzinie analityki danych i inżynierii infrastruktury. Przez pewien czas zajmował się modelowaniem zachowań gracza i infrastrukturą dużych zbiorów danych w Microsofcie. Ważniejszymi jego projektami były modelowanie umiejętności gracza w grach asymetrycznych i modele segmentacji graczy mające na celu zindywidualizowanie rozgrywki. Obecnie Hearty jest niezależnym ekspertem, szczególnie cenionym przez zespoły zajmujące się eksploracją danych. W wolnym czasie tworzy modele uczenia maszynowego w Pythonie.

O autorze (9)

O korektorach merytorycznych (11)

Wstęp (13)

Rozdział 1. Nienadzorowane uczenie maszynowe (19)

  • Analiza głównych składowych (PCA) (20)
    • Podstawy analizy głównych składowych (20)
    • Stosowanie algorytmu analizy głównych składowych (21)
  • Wprowadzenie grupowania metodą k-średnich (24)
    • Grupowanie - wprowadzenie (24)
    • Rozpoczynamy grupowanie (25)
    • Dostrajanie konfiguracji klastrów (29)
  • Sieci Kohonena (34)
    • Sieci Kohonena - wprowadzenie (34)
    • Korzystanie z sieci Kohonena (35)
  • Dalsza lektura (38)
  • Podsumowanie (39)

Rozdział 2. Sieci DBN (41)

  • Sieci neuronowe - wprowadzenie (42)
    • Budowa sieci neuronowej (42)
    • Topologie sieci (43)
  • Ograniczona maszyna Boltzmanna (45)
    • Ograniczone maszyny Boltzmanna - wstęp (46)
    • Zastosowania ograniczonych maszyn Boltzmanna (49)
    • Dalsze zastosowania ograniczonej maszyny Boltzmanna (58)
  • Sieci głębokie (59)
    • Trenowanie sieci DBN (59)
    • Stosowanie sieci DBN (60)
    • Walidacja sieci DBN (63)
  • Dalsza lektura (64)
  • Podsumowanie (64)

Rozdział 3. Stosy autoenkoderów odszumiających (67)

  • Autoenkodery (67)
    • Autoenkodery - wprowadzenie (68)
    • Odszumianie autoenkoderów (70)
    • Korzystanie z autoenkodera odszumiającego (72)
  • Stosy autoenkoderów odszumiających (75)
    • Korzystanie ze stosu autoenkoderów odszumiających (76)
    • Ocena wydajności stosu autoenkoderów odszumiających (82)
  • Dalsza lektura (83)
  • Podsumowanie (83)

Rozdział 4. Konwolucyjne sieci neuronowe (85)

  • Konwolucyjne sieci neuronowe - wprowadzenie (85)
    • Topologia sieci konwolucyjnej (86)
    • Korzystanie z konwolucyjnych sieci neuronowych (98)
  • Dalsza lektura (104)
  • Podsumowanie (105)

Rozdział 5. Częściowo nadzorowane uczenie maszynowe (107)

  • Wstęp (107)
  • Czym jest uczenie częściowo nadzorowane? (108)
  • Działanie algorytmów uczenia częściowo nadzorowanego (109)
    • Samodzielne uczenie się (109)
    • Kontrastywna pesymistyczna estymacja prawdopodobieństwa (119)
  • Dalsza lektura (128)
  • Podsumowanie (129)

Rozdział 6. Rozpoznawanie języka naturalnego i selekcja cech (131)

  • Wstęp (131)
  • Selekcja cech danych tekstowych (133)
    • Czyszczenie danych tekstowych (133)
    • Tworzenie cech na podstawie danych tekstowych (141)
    • Testowanie przygotowanych danych (146)
  • Dalsza lektura (152)
  • Podsumowanie (153)

Rozdział 7. Selekcja cech - część II (155)

  • Wstęp (155)
  • Tworzenie zestawu cech (156)
    • Selekcja cech pod kątem uczenia maszynowego (156)
    • Korzystanie z technik selekcji cech (164)
  • Inżynieria cech w praktyce (172)
    • Pobieranie danych za pomocą interfejsów REST (173)
  • Dalsza lektura (192)
  • Podsumowanie (193)

Rozdział 8. Metody zespołowe (195)

  • Wprowadzenie do metod zespołowych (196)
    • Metody uśredniające (197)
    • Stosowanie metod wzmacniania (201)
    • Stosowanie metod kontaminacji (207)
  • Wykorzystanie modeli w zastosowaniach dynamicznych (212)
    • Czym jest elastyczność modeli? (213)
    • Strategie zarządzania elastycznością modelu (220)
  • Dalsza lektura (223)
  • Podsumowanie (224)

Rozdział 9. Dodatkowe narzędzia uczenia maszynowego w języku Python (225)

  • Alternatywne narzędzia programowe (226)
    • Biblioteka Lasagne - wprowadzenie (226)
    • Biblioteka TensorFlow - wprowadzenie (228)
    • Kiedy warto korzystać z tych bibliotek? (232)
  • Dalsza lektura (235)
  • Podsumowanie (235)

Dodatek A. Wymagania przykładowych skryptów (237)

Skorowidz (239)

  • Tytuł: Zaawansowane uczenie maszynowe z językiem Python
  • Autor: John Hearty
  • Tytuł oryginału: Advanced Machine Learning with Python
  • Tłumaczenie: Konrad Matuk
  • ISBN: 978-83-283-3608-7, 9788328336087
  • Data wydania: 2017-10-13
  • Format: Ebook
  • Identyfikator pozycji: zaaucz
  • Wydawca: Helion