Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki \ Programowanie \ Algorytmy

Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II Język: 1

978-83-283-5602-3

Cena Brutto: 49.00

Cena netto: 46.67

Ilość:
Wersja: Drukowana
Autor David Natingga
Liczba_stron 208
Wydawnictwo Helion
Oprawa miękka
Data_Wydania 2019-10-08
Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II

Data science jest interdyscyplinarną dziedziną naukową łączącą osiągnięcia uczenia maszynowego, statystyki i eksploracji danych. Umożliwia wydobywanie nowej wiedzy z istniejących danych poprzez stosowanie odpowiednich algorytmów i analizy statystycznej. Stworzono dotąd wiele algorytmów tej kategorii i wciąż powstają nowe. Stanowią one podstawę konstruowania modeli umożliwiających wyodrębnianie określonych informacji z danych odzwierciedlających zjawiska zachodzące w świecie rzeczywistym, pozwalają też na formułowanie prognoz ich przebiegu w przyszłości. Algorytmy data science są postrzegane jako ogromna szansa na zdobycie przewagi konkurencyjnej, a ich znaczenie stale rośnie.


Ta książka jest zwięzłym przewodnikiem po algorytmach uczenia maszynowego. Jej cel jest prosty: w ciągu siedmiu dni masz opanować solidne podstawy siedmiu najważniejszych dla uczenia maszynowego algorytmów. Opisom poszczególnych algorytmów towarzyszą przykłady ich implementacji w języku Python, a praktyczne ćwiczenia, które znajdziesz na końcu każdego rozdziału, ułatwią Ci lepsze zrozumienie omawianych zagadnień. Co więcej, dzięki książce nauczysz się właściwie identyfikować problemy z zakresu data science. W konsekwencji dobieranie odpowiednich metod i narzędzi do ich rozwiązywania okaże się dużo łatwiejsze.

W tej książce:

  • efektywne implementacje algorytmów uczenia maszynowego w języku Python
  • klasyfikacja danych przy użyciu twierdzenia Bayesa, drzew decyzyjnych i lasów losowych
  • podział danych na klastery za pomocą algorytmu k-średnich
  • stosowanie analizy regresji w parametryzacji modeli przewidywań
  • analiza szeregów czasowych pod kątem trendów i sezonowości danych
    • O autorze
    • O recenzentach
    • Przedmowa
      • Do kogo kierujemy tę książkę?
      • Co zawiera ta książka?
      • Jak najlepiej wykorzystać tę książkę?
      • Kod przykładowych programów
      • Konwencje typograficzne stosowane w książce
    • Rozdział 1. Klasyfikacja na podstawie najbliższego sąsiedztwa
      • Subiektywne odczuwanie temperatury
      • Implementacja algorytmu k najbliższych sąsiadów
        • Dane wejściowe
        • Wynik klasyfikacji
        • Wizualizacja
      • Mapa Włoch przykład doboru wartości k
        • Analiza
      • Skalowanie danych prognozowanie statusu własności
        • Analiza
      • Nieeuklidesowe metryki odległości punktów klasyfikowanie tekstów
        • Analiza
      • Klasyfikowania tekstów ciąg dalszy wielowymiarowy algorytm k-NN
        • Analiza
      • Podsumowanie
      • Problemy
        • Subiektywne odczuwanie temperatury
        • Mapa Włoch przykład doboru wartości k
        • Status własności
        • Analiza
    • Rozdział 2. Naiwny klasyfikator bayesowski
      • Testy medyczne podstawowe zastosowanie twierdzenia Bayesa
        • Analiza
      • Podstawowe twierdzenie Bayesa i jego rozszerzenie
        • Twierdzenie Bayesa
          • Dowód
        • Rozszerzone twierdzenie Bayesa
          • Dowód
      • Zagramy w szachy? niezależne zdarzenia warunkujące
        • Analiza
      • Implementacja naiwnego klasyfikatora bayesowskiego
        • Dane wejściowe
        • Wynik
      • Zagramy w szachy? częściowo zależne zdarzenia warunkujące
        • Analiza
          • Dane wejściowe
          • Wynik
      • Chłopak czy dziewczyna? twierdzenie Bayesa dla ciągłych zmiennych losowych
        • Analiza
      • Podsumowanie
      • Problemy
        • Analiza
    • Rozdział 3. Drzewa decyzyjne
      • Pływamy? reprezentowanie danych w postaci drzewa decyzyjnego
      • Elementy teorii informacji
        • Entropia informacyjna
          • Przykład losowe rzucanie monetą
          • Definicja
        • Zysk informacyjny
        • Pływamy? obliczanie zysku informacyjnego
      • Algorytm ID3 konstruowanie drzewa decyzyjnego
        • Pływamy? budowanie drzewa decyzyjnego
        • Implementacja w języku Python
          • Dane wejściowe
          • Wynik
      • Klasyfikowanie danych za pomocą drzew decyzyjnych
        • Przykład pływamy czy nie?
      • Przykład gra w szachy pod chmurką
        • Analiza
          • Dane wejściowe
          • Wynikowe drzewo decyzyjne
          • Klasyfikacja
      • Na zakupy przykład niespójnych danych
        • Analiza
      • Podsumowanie
      • Problemy
        • Analiza
    • Rozdział 4. Lasy losowe
      • Ogólne zasady konstruowania lasów losowych
      • Pływamy? klasyfikacja za pomocą lasu losowego
        • Analiza
        • Konstruowanie lasu losowego
          • Losowe drzewo decyzyjne nr 0
          • Losowe drzewo decyzyjne nr 1
          • Wynikowy las losowy
        • Klasyfikowanie cechy na podstawie lasu losowego
      • Implementacja algorytmu konstruowania lasu losowego
        • Dane wejściowe
        • Wynik
      • Przykład zagramy w szachy?
        • Analiza
        • Konstruowanie lasu losowego
          • Losowe drzewo decyzyjne nr 0
          • Losowe drzewa decyzyjne nr 1, 2 i 3
          • Wynikowy las losowy
        • Klasyfikacja w drodze głosowania
          • Dane wejściowe
          • Wynik
      • Idziemy na zakupy? wnioskowanie z niespójnych danych i miara wiarygodności wyniku
        • Analiza
          • Dane wejściowe
          • Wynik
      • Podsumowanie
      • Problemy
        • Analiza
          • Dane wejściowe
          • Wynik
    • Rozdział 5. Klasteryzacja
      • Dochód gospodarstwa domowego niski czy wysoki?
      • Algorytm k-średnich
        • Początkowy zbiór centroidów
        • Wyznaczanie centroidu klastera
      • Przykład wykorzystanie algorytmu k-średnich do klasyfikacji dochodów
      • Klasyfikowanie przez klasteryzację prognozowanie płci nieznanej osoby
        • Analiza
      • Implementacja algorytmu k-średnich
        • Dane wejściowe
        • Wynik grupowania
      • Status własności dobór optymalnej liczby klasterów
        • Analiza
          • Dane wejściowe
          • Wynik podział między dwa klastery
          • Wynik podział między trzy klastery
          • Wynik podział między cztery klastery
          • Wynik podział między pięć klasterów
      • Klasyfikowanie dokumentów semantyczne znaczenie klasteryzacji
        • Analiza
          • Dane wejściowe
          • Wynik podział między dwa klastery
          • Wynik podział między trzy klastery
          • Wynik podział między pięć klasterów
      • Podsumowanie
      • Problemy
        • Analiza
          • Dane wejściowe
          • Dwa klastery
          • Trzy klastery
          • Cztery klastery
          • Pięć klasterów
          • Wybór optymalnej liczby klasterów przy użyciu walidacji krzyżowej
    • Rozdział 6. Analiza regresji
      • Konwersja temperatur regresja liniowa dla danych doskonałych
        • Rozwiązanie analityczne
        • Metoda najmniejszych kwadratów w regresji liniowej
        • Implementacja analizy regresji liniowej w Pythonie
          • Kod programu
          • Wynik
          • Wizualizacja
      • Regresja dla danych pomiarowych prognozowanie wagi na podstawie wzrostu
        • Analiza
          • Kod programu
          • Wynik
      • Metoda spadku gradientowego i jej implementacja
        • Szczegóły algorytmu
        • Implementacja w Pythonie
          • Dane wejściowe
          • Wynik
          • Wizualizacja porównanie z metodą analityczną
      • Przewidywanie czasu przelotu na podstawie odległości
        • Analiza
          • Kod programu
          • Wynik
      • Obliczenia balistyczne model nieliniowy
        • Analiza
          • Kod programu
          • Wynik
      • Podsumowanie
      • Problemy
        • Analiza
          • Kod programu
          • Wynik
          • Wizualizacja
    • Rozdział 7. Analiza szeregów czasowych
      • Zysk w biznesie analiza trendu
        • Analiza
          • Kod programu
          • Wynik
          • Wizualizacja
        • Konkluzja
      • Sprzedaż w sklepie internetowym analiza sezonowości
        • Analiza
        • Analiza trendu
          • Kod programu
          • Wynik
          • Wizualizacja
        • Analiza sezonowości
          • Wizualizacja
      • Podsumowanie
      • Problemy
        • Analiza
          • Kod programu
          • Wynik
          • Wizualizacja
          • Wizualizacja
    • Dodatek A Podstawy języka Python
      • Przykład
      • Komentarze
      • Typy danych
        • int
          • Przykład example02_int.py
          • Wynik
        • float
          • Przykład example03_float.py
          • Wynik
        • Napis
          • Przykład example04_string.py
          • Wynik
        • Krotka
          • Przykład example05_tuple.py
          • Wynik
        • Lista
          • Przykład example06_list.py
          • Wynik
        • Zbiór
          • Przykład example07_set.py
          • Wynik
        • Słownik
          • Przykład example08_dictionary.py
          • Wynik
      • Przepływ sterowania
        • Instrukcje warunkowe
          • Przykład example09_if_else_elif.py
          • Wynik
        • Pętla for
          • Przykład example10_for_loop_range.py
          • Wynik
          • Przykład example11_for_loop_list.py
          • Wynik
          • Przykład example12_for_loop_set.py
          • Wynik
        • Pętla while
          • Przykład example13_while_loop.py
          • Wynik
        • Instrukcje break i continue
          • Przykład example14_break_continue.py
          • Wynik
      • Funkcje
        • Przykład example15_function.py
        • Wynik
      • Wejście-wyjście programu
        • Argumenty wywołania programu
          • Przykład example16_arguments.py
          • Wynik
        • Operacje na plikach
          • Przykład example17_file.py
          • Wynik
    • Dodatek B Statystyka
      • Podstawowe koncepcje
        • Notacja
        • Podstawowe pojęcia
      • Wnioskowanie bayesowskie
      • Rozkład normalny Gaussa
      • Walidacja krzyżowa
      • Testowanie A/B
    • Dodatek C Słownik pojęć, algorytmów i metod Data Science

powrót
 
Produkty Podobne
Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
Algorytmy, struktury danych i techniki programowania dla programistów Java
Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
Algorytmy, struktury danych i techniki programowania. Wydanie VI
Zrozum struktury danych. Algorytmy i praca na danych w Javie
Algorytmy. Ilustrowany przewodnik
Inteligentna sieć. Algorytmy przyszłości. Wydanie II
Naczelny Algorytm. Jak jego odkrycie zmieni nasz świat
Algorytmy
Algorithms in a Nutshell, 2nd Edition
Więcej produktów