|
||
Strona główna > opis książki
• wydawnictwa polskie
• Zamów informacje o nowościach z wybranego tematu • kontakt
• Cookies na stronie |
UCZENIE MASZYNOWE W PYTHONIE LEKSYKON KIESZONKOWYHARRISON M.wydawnictwo: HELION , rok wydania 2020, wydanie Icena netto: Uczenie maszynowe w
Pythonie Leksykon kieszonkowy Uczenie maszynowe i nauka o danych są dziś ogromnie popularne. Dziedziny te szybko się rozwijają, a poszczególne techniki uczenia maszynowego znajdują coraz więcej różnorodnych zastosowań. Wiedza, którą można uzyskać dzięki odpowiedniemu przygotowaniu danych i ich eksploracji, często jest bezcenna. Umiejętność ich analizy oraz wiedza o możliwych sposobach rozwiązywania problemów napotykanych podczas uczenia maszynowego są więc dużymi atutami i mogą być wykorzystywane w wielu gałęziach nauki, techniki i biznesu. Z tego zwięzłego przewodnika po technikach uczenia maszynowego opartego na strukturalnych danych skorzystają programiści, badacze, osoby zajmujące się nauką o danych oraz twórcy systemów sztucznej inteligencji. Znalazł się tu wyczerpujący opis procesu uczenia maszynowego i klasyfikacji danych strukturalnych. Przedstawiono też metody klastrowania danych, analizy regresji, redukcji wymiarowości oraz inne ważne zagadnienia. Prezentowane treści zostały zilustrowane uwagami, tabelami i przykładami kodu. Nie zabrakło opisu przydatnych bibliotek, niezwykle użytecznych w pracy analityka danych. W efekcie książka pozwala na szybkie rozwiązywanie różnego rodzaju problemów związanych z przetwarzaniem danych strukturalnych. W książce między innymi:
Przedmowa 9 Czego należy oczekiwać? 9 Dla kogo jest ta książka? 10 Konwencje typograficzne 10 Przykłady kodów 11 Podziękowania 11 Rozdział 1. Wprowadzenie 13 Wykorzystywane biblioteki 13 Instalowanie bibliotek za pomocą programu pip 15 Instalowanie bibliotek za pomocą programu conda 16 Rozdział 2. Schemat procesu uczenia maszynowego 19 Rozdział 3. Klasyfikacja danych: baza Titanic 21 Proponowany schemat projektu 21 Importowane biblioteki 21 Zadanie pytania 22 Stosowana terminologia 22 Zebranie danych 24 Oczyszczanie danych 25 Zdefiniowanie cech 30 Próbkowanie danych 32 Imputacja danych 32 Normalizacja danych 33 Refaktoryzacja kodu 34 Model odniesienia 35 Różne rodziny algorytmów 35 Kontaminacja modeli 37 Utworzenie modelu 37 Ocena modelu 38 Optymalizacja modelu 39 Macierz pomyłek 40 Krzywa ROC 40 Krzywa uczenia 42 Wdrożenie modelu 43 Rozdział 4. Brakujące dane 45 Badanie braków danych 45 Pomijanie braków 49 Imputacja danych 49 Tworzenie kolumn ze wskaźnikami 50 Rozdział 5. Oczyszczanie danych 51 Nazwy kolumn 51 Uzupełnianie brakujących wartości 52 Rozdział 6. Badanie danych 53 Ilość danych 53 Statystyki podsumowujące 53 Histogram 54 Wykres punktowy 56 Wykres łączony 57 Macierz wykresów 59 Wykresy pudełkowy i skrzypcowy 60 Porównywanie dwóch cech porządkowych 61 Korelacja 63 Wykres RadViz 66 Wykres współrzędnych równoległych 68 Rozdział 7. Wstępne przetwarzanie danych 71 Normalizacja 71 Skalowanie w zadanym zakresie 72 Kolumny wskaźnikowe 73 Kodowanie etykietowe 74 Kodowanie częstościowe 74 Wyodrębnianie kategorii danych z ciągów znaków 75 Inne rodzaje kodowania kolumn kategorialnych 76 Przetwarzanie dat 78 Tworzenie cechy col_na 79 Ręczne przetwarzanie cech 79 Rozdział 8. Wybieranie cech 81 Skorelowane kolumny danych 81 Regresja lasso 83 Rekurencyjna eliminacja cech 85 Informacja wzajemna 86 Analiza głównych składowych 87 Ważność cech 87 Rozdział 9. Niezrównoważone klasy danych 89 Wybór innego wskaźnika 89 Algorytmy drzewa decyzyjnego i metody zespołowe 89 Penalizacja modeli 89 Próbkowanie w górę mniej licznych klas 90 Generowanie danych w mniej licznych klasach 91 Próbkowanie w dół bardziej licznych klas 91 Próbkowanie w górę, a potem w dół 92 Rozdział 10. Klasyfikacja 93 Regresja logistyczna 94 Naiwny klasyfikator Bayesa 98 Maszyna wektorów nośnych 99 K najbliższych sąsiadów 102 Drzewo decyzyjne 104 Las losowy 111 XGBoost 115 Model LightGBM z gradientowym wzmacnianiem 124 TPOT 128 Rozdział 11. Wybór modelu 133 Krzywa weryfikacji 133 Krzywa uczenia 134 Rozdział 12. Wskaźniki i ocena klasyfikacji 137 Tablica pomyłek 137 Wskaźniki 140 Dokładność 141 Czułość 141 Precyzja 141 F1 142 Raport klasyfikacyjny 142 Krzywa ROC 142 Krzywa precyzja-czułość 144 Krzywa skumulowanych zysków 145 Krzywa podniesienia 147 Równowaga klas 149 Błąd prognozowania klas 150 Próg dyskryminacji 150 Rozdział 13. Interpretacja modelu 153 Współczynniki regresji 153 Ważność cech 153 Pakiet LIME 153 Interpretacja drzewa 155 Wykres częściowych zależności 156 Modele zastępcze 158 Pakiet Shapley 159 Rozdział 14. Regresja 163 Model odniesienia 165 Regresja liniowa 165 Maszyna wektorów nośnych 168 K najbliższych sąsiadów 170 Drzewo decyzyjne 172 Las losowy 177 XGBoost 180 LightGBM 185 Rozdział 15. Wskaźniki i ocena regresji 191 Wskaźniki 191 Wykres reszt 193 Heteroskedastyczność 194 Rozkład normalny reszt 195 Wykres błędów prognozowanych wyników 196 Rozdział 16. Interpretacja modelu regresyjnego 199 Shapley 199 Rozdział 17. Redukcja wymiarowości danych 205 Analiza głównych składowych 205 UMAP 221 t-SNE 226 PHATE 230 Rozdział 18. Klastrowanie danych 233 Algorytm k-średnich 233 Klastrowanie aglomeracyjne (hierarchiczne) 239 Interpretowanie klastrów 241 Rozdział 19. Potoki 247 Potok klasyfikacyjny 247 Potok regresyjny 249 Potok analizy głównych składowych 249 256 stron, Format: 12.5x19.5cm, oprawa miękka Osoby kupujące tę książkę wybierały także:
Po otrzymaniu zamówienia poinformujemy, |
- 
- 
- 
-