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 \ Python

Python. Uczenie maszynowe. Wydanie II Język: 1

978-83-283-5121-9

Cena Brutto: 99.00

Cena netto: 94.29

Ilość:
Wersja: Drukowana
Autor Sebastian Raschka, Vahid Mirjalili
Liczba_stron 528
Wydawnictwo Helion
Oprawa miękka
Data_Wydania 2019-03-26

Python. Uczenie maszynowe. Wydanie II


Uczenie maszynowe jest wyjątkowo fascynującą dziedziną inżynierii. Coraz częściej spotykamy się z praktycznym wykorzystaniem tego rodzaju innowacyjnych technologii. Samouczące algorytmy maszynowe pozwalają na uzyskiwanie wiedzy z ogromnych ilości danych. Dla osoby planującej rozwój kariery osiągnięcie biegłości w rozwiązywaniu problemów uczenia maszynowego jest nadzwyczaj atrakcyjną ścieżką. Użycie do tego celu Pythona pozwala dodatkowo skorzystać z bardzo przystępnego, wszechstronnego i potężnego narzędzia przeznaczonego do analizowania danych naukowych.


Ta książka jest drugim, wzbogaconym i zaktualizowanym wydaniem znakomitego podręcznika do nauki o danych. Wyczerpująco opisano tu teoretyczne podwaliny uczenia maszynowego. Sporo uwagi poświęcono działaniu algorytmów uczenia głębokiego, sposobom ich wykorzystania oraz metodom unikania istotnych błędów. Dodano rozdziały prezentujące zaawansowane informacje o sieciach neuronowych: o sieciach splotowych, służących do rozpoznawania obrazów, oraz o sieciach rekurencyjnych, znakomicie nadających się do pracy z danymi sekwencyjnymi i danymi szeregów czasowych. Poszczególne zagadnienia zostały zilustrowane praktycznymi przykładami kodu napisanego w Pythonie, co ułatwi bezpośrednie zapoznanie się z tematyką uczenia maszynowego.


W tej książce:

  • struktury używane w analizie danych, uczeniu maszynowym i uczeniu głębokim
  • metody uczenia sieci neuronowych
  • implementowanie głębokich sieci neuronowych
  • analiza sentymentów i analiza regresywna
  • przetwarzanie obrazów i danych tekstowych
  • najwartościowsze biblioteki Pythona przydatne w uczeniu maszynowym

Uczenie maszynowe: oto droga do wiedzy ukrytej w oceanie danych!

Informacje o autorach 11

 

Informacje o recenzentach 13

Wstęp 15

Rozdział 1. Umożliwianie komputerom uczenia się z danych 23

  • Tworzenie inteligentnych maszyn służących do przekształcania danych w wiedzę 24
  • Trzy różne rodzaje uczenia maszynowego 24
    • Prognozowanie przyszłości za pomocą uczenia nadzorowanego 25
    • Rozwiązywanie problemów interaktywnych za pomocą uczenia przez wzmacnianie 28
    • Odkrywanie ukrytych struktur za pomocą uczenia nienadzorowanego 29
  • Wprowadzenie do podstawowej terminologii i notacji 30
  • Strategia tworzenia systemów uczenia maszynowego 32
    • Wstępne przetwarzanie - nadawanie danym formy 32
    • Trenowanie i dobór modelu predykcyjnego 34
    • Ewaluacja modeli i przewidywanie wystąpienia nieznanych danych 34
  • Wykorzystywanie środowiska Python do uczenia maszynowego 35
    • Instalacja środowiska Python i pakietów z repozytorium Python Package Index 35
    • Korzystanie z platformy Anaconda i menedżera pakietów 36
    • Pakiety przeznaczone do obliczeń naukowych, analizy danych i uczenia maszynowego 36
  • Podsumowanie 37

Rozdział 2. Trenowanie prostych algorytmów uczenia maszynowego w celach klasyfikacji 39

  • Sztuczne neurony - rys historyczny początków uczenia maszynowego 40
    • Formalna definicja sztucznego neuronu 41
    • Reguła uczenia perceptronu 43
  • Implementacja algorytmu uczenia perceptronu w Pythonie 45
    • Obiektowy interfejs API perceptronu 45
    • Trenowanie modelu perceptronu na zestawie danych Iris 48
  • Adaptacyjne neurony liniowe i zbieżność uczenia 53
    • Minimalizacja funkcji kosztu za pomocą metody gradientu prostego 55
    • Implementacja algorytmu Adaline w Pythonie 56
    • Usprawnianie gradientu prostego poprzez skalowanie cech 60
    • Wielkoskalowe uczenie maszynowe i metoda stochastycznego spadku wzdłuż gradientu 62
  • Podsumowanie 66

Rozdział 3. Stosowanie klasyfikatorów uczenia maszynowego za pomocą biblioteki scikit-learn 67

  • Wybór algorytmu klasyfikującego 68
  • Pierwsze kroki z biblioteką scikit-learn - uczenie perceptronu 68
  • Modelowanie prawdopodobieństwa przynależności do klasy za pomocą regresji logistycznej 74
    • Teoretyczne podłoże regresji logistycznej i prawdopodobieństwa warunkowego 74
    • Wyznaczanie wag logistycznej funkcji kosztu 78
    • Przekształcanie implementacji Adaline do postaci algorytmu regresji logistycznej 80
    • Uczenie modelu regresji logistycznej za pomocą biblioteki scikit-learn 84
    • Zapobieganie przetrenowaniu za pomocą regularyzacji 86
  • Wyznaczanie maksymalnego marginesu za pomocą maszyn wektorów nośnych 88
    • Teoretyczne podłoże maksymalnego marginesu 89
    • Rozwiązywanie przypadków nieliniowo rozdzielnych za pomocą zmiennych uzupełniających 90
    • Alternatywne implementacje w interfejsie scikit-learn 92
  • Rozwiązywanie nieliniowych problemów za pomocą jądra SVM 93
    • Metody jądrowe dla danych nierozdzielnych liniowo 93
    • Stosowanie sztuczki z funkcją jądra do znajdowania przestrzeni rozdzielających w przestrzeni wielowymiarowej 95
  • Uczenie drzew decyzyjnych 99
    • Maksymalizowanie przyrostu informacji - osiąganie jak największych korzyści 100
    • Budowanie drzewa decyzyjnego 103
    • Łączenie wielu drzew decyzyjnych za pomocą modelu losowego lasu 107
  • Algorytm k-najbliższych sąsiadów - model leniwego uczenia 109
  • Podsumowanie 113

Rozdział 4. Tworzenie dobrych zbiorów uczących - wstępne przetwarzanie danych 115

  • Kwestia brakujących danych 115
    • Wykrywanie brakujących wartości w danych tabelarycznych 116
    • Usuwanie próbek lub cech niezawierających wartości 117
    • Wstawianie brakujących danych 118
    • Estymatory interfejsu scikit-learn 119
  • Przetwarzanie danych kategoryzujących 119
    • Cechy nominalne i porządkowe 120
    • Tworzenie przykładowego zestawu danych 120
    • Mapowanie cech porządkowych 121
    • Kodowanie etykiet klas 121
    • Kodowanie "gorącojedynkowe" cech nominalnych (z użyciem wektorów własnych) 122
  • Rozdzielanie zestawu danych na oddzielne podzbiory uczące i testowe 124
  • Skalowanie cech 127
  • Dobór odpowiednich cech 129
    • Regularyzacje L1 i L2 jako kary ograniczające złożoność modelu 129
    • Interpretacja geometryczna regularyzacji L2 130
    • Rozwiązania rzadkie za pomocą regularyzacji L1 131
    • Algorytmy sekwencyjnego wyboru cech 135
  • Ocenianie istotności cech za pomocą algorytmu losowego lasu 140
  • Podsumowanie 142

Rozdział 5. Kompresja danych poprzez redukcję wymiarowości 143

  • Nienadzorowana redukcja wymiarowości za pomocą analizy głównych składowych 144
    • Podstawowe etapy analizy głównych składowych 144
    • Wydobywanie głównych składowych krok po kroku 146
    • Wyjaśniona wariancja całkowita 148
    • Transformacja cech 149
    • Analiza głównych składowych w interfejsie scikit-learn 152
  • Nadzorowana kompresja danych za pomocą liniowej analizy dyskryminacyjnej 154
    • Porównanie analizy głównych składowych z liniową analizą dyskryminacyjną 155
    • Wewnętrzne mechanizmy działania liniowej analizy dyskryminacyjnej 156
    • Obliczanie macierzy rozproszenia 157
    • Dobór dyskryminant liniowych dla nowej podprzestrzeni cech 159
    • Rzutowanie próbek na nową przestrzeń cech 161
    • Implementacja analizy LDA w bibliotece scikit-learn 161
  • Jądrowa analiza głównych składowych jako metoda odwzorowywania nierozdzielnych liniowo klas 163
    • Funkcje jądra oraz sztuczka z funkcją jądra 164
    • Implementacja jądrowej analizy głównych składowych w Pythonie 168
    • Rzutowanie nowych punktów danych 175
    • Algorytm jądrowej analizy głównych składowych w bibliotece scikit-learn 178
  • Podsumowanie 179

Rozdział 6. Najlepsze metody oceny modelu i strojenie parametryczne 181

  • Usprawnianie cyklu pracy za pomocą kolejkowania 181
    • Wczytanie zestawu danych Breast Cancer Wisconsin 182
    • Łączenie funkcji transformujących i estymatorów w kolejce czynności 183
  • Stosowanie k-krotnego sprawdzianu krzyżowego w ocenie skuteczności modelu 184
    • Metoda wydzielania 185
    • K-krotny sprawdzian krzyżowy 186
  • Sprawdzanie algorytmów za pomocą krzywych uczenia i krzywych walidacji 190
    • Diagnozowanie problemów z obciążeniem i wariancją za pomocą krzywych uczenia 190
    • Rozwiązywanie problemów przetrenowania i niedotrenowania za pomocą krzywych walidacji 193
  • Dostrajanie modeli uczenia maszynowego za pomocą metody przeszukiwania siatki 195
    • Strojenie hiperparametrów przy użyciu metody przeszukiwania siatki 195
    • Dobór algorytmu poprzez zagnieżdżony sprawdzian krzyżowy 196
  • Przegląd metryk oceny skuteczności 198
    • Odczytywanie macierzy pomyłek 198
    • Optymalizacja precyzji i pełności modelu klasyfikującego 200
    • Wykres krzywej ROC 202
    • Metryki zliczające dla klasyfikacji wieloklasowej 204
  • Kwestia dysproporcji klas 205
  • Podsumowanie 208

Rozdział 7. Łączenie różnych modeli w celu uczenia zespołowego 209

  • Uczenie zespołów 209
  • Łączenie klasyfikatorów za pomocą algorytmu głosowania większościowego 213
    • Implementacja prostego klasyfikatora głosowania większościowego 214
    • Stosowanie reguły głosowania większościowego do uzyskiwania prognoz 219
    • Ewaluacja i strojenie klasyfikatora zespołowego 221
  • Agregacja - tworzenie zespołu klasyfikatorów za pomocą próbek początkowych 226
    • Agregacja w pigułce 227
    • Stosowanie agregacji do klasyfikowania przykładów z zestawu Wine 228
  • Usprawnianie słabych klasyfikatorów za pomocą wzmocnienia adaptacyjnego 231
    • Wzmacnianie - mechanizm działania 232
    • Stosowanie algorytmu AdaBoost za pomocą biblioteki scikit-learn 236
  • Podsumowanie 239

Rozdział 8. Wykorzystywanie uczenia maszynowego w analizie sentymentów 241

  • Przygotowywanie zestawu danych IMDb movie review do przetwarzania tekstu 242
    • Uzyskiwanie zestawu danych IMDb 242
    • Przetwarzanie wstępne zestawu danych IMDb do wygodniejszego formatu 243
  • Wprowadzenie do modelu worka słów 244
    • Przekształcanie słów w wektory cech 245
    • Ocena istotności wyrazów za pomocą ważenia częstości termów - odwrotnej częstości w tekście 246
    • Oczyszczanie danych tekstowych 248
    • Przetwarzanie tekstu na znaczniki 249
  • Uczenie modelu regresji logistycznej w celu klasyfikowania tekstu 251
  • Praca z większą ilością danych - algorytmy sieciowe i uczenie pozardzeniowe 253
  • Modelowanie tematyczne za pomocą alokacji ukrytej zmiennej Dirichleta 256
    • Rozkładanie dokumentów tekstowych za pomocą analizy LDA 257
    • Analiza LDA w bibliotece scikit-learn 258
  • Podsumowanie 261

Rozdział 9. Wdrażanie modelu uczenia maszynowego do aplikacji sieciowej 263

  • Serializacja wyuczonych estymatorów biblioteki scikit-learn 264
  • Konfigurowanie bazy danych SQLite 266
  • Tworzenie aplikacji sieciowej za pomocą środowiska Flask 269
    • Nasza pierwsza aplikacja sieciowa 269
    • Sprawdzanie i wyświetlanie formularza 271
  • Przekształcanie klasyfikatora recenzji w aplikację sieciową 275
    • Pliki i katalogi - wygląd drzewa katalogów 277
    • Implementacja głównej części programu w pliku app.py 277
    • Konfigurowanie formularza recenzji 280
    • Tworzenie szablonu strony wynikowej 281
  • Umieszczanie aplikacji sieciowej na publicznym serwerze 282
    • Tworzenie konta w serwisie PythonAnywhere 283
    • Przesyłanie aplikacji klasyfikatora filmowego 283
    • Aktualizowanie klasyfikatora recenzji filmowych 284
  • Podsumowanie 286

Rozdział 10. Przewidywanie ciągłych zmiennych docelowych za pomocą analizy regresywnej 287

  • Wprowadzenie do regresji liniowej 288
    • Prosta regresja liniowa 288
    • Wielowymiarowa regresja liniowa 288
  • Zestaw danych Housing 290
    • Wczytywanie zestawu danych Housing do obiektu DataFrame 290
    • Wizualizowanie ważnych elementów zestawu danych 292
    • Analiza związków za pomocą macierzy korelacji 293
  • Implementacja modelu regresji liniowej wykorzystującego zwykłą metodę najmniejszych kwadratów 296
    • Określanie parametrów regresywnych za pomocą metody gradientu prostego 296
    • Szacowanie współczynnika modelu regresji za pomocą biblioteki scikit-learn 300
  • Uczenie odpornego modelu regresywnego za pomocą algorytmu RANSAC 301
  • Ocenianie skuteczności modeli regresji liniowej 304
  • Stosowanie regularyzowanych metod regresji 307
  • Przekształcanie modelu regresji liniowej w krzywą - regresja wielomianowa 308
    • Dodawanie członów wielomianowych za pomocą biblioteki scikit-learn 309
    • Modelowanie nieliniowych zależności w zestawie danych Housing 310
  • Analiza nieliniowych relacji za pomocą algorytmu losowego lasu 314
  • Podsumowanie 318

Rozdział 11. Praca z nieoznakowanymi danymi - analiza skupień 319

  • Grupowanie obiektów na podstawie podobieństwa przy użyciu algorytmu centroidów 320
    • Algorytm centroidów w bibliotece scikit-learn 320
    • Inteligentniejszy sposób dobierania pierwotnych centroidów za pomocą algorytmu k-means++ 324
    • Klasteryzacja twarda i miękka 325
    • Stosowanie metody łokcia do wyszukiwania optymalnej liczby skupień 327
    • Ujęcie ilościowe jakości klasteryzacji za pomocą wykresu profilu 328
  • Organizowanie skupień do postaci drzewa klastrów 333
    • Oddolne grupowanie skupień 333
    • Przeprowadzanie hierarchicznej analizy skupień na macierzy odległości 335
    • Dołączanie dendrogramów do mapy cieplnej 338
    • Aglomeracyjna analiza skupień w bibliotece scikit-learn 339
  • Wyznaczanie rejonów o dużej gęstości za pomocą algorytmu DBSCAN 340
  • Podsumowanie 345

Rozdział 12. Implementowanie wielowarstwowej sieci neuronowej od podstaw 347

  • Modelowanie złożonych funkcji przy użyciu sztucznych sieci neuronowych 348
    • Jednowarstwowa sieć neuronowa - powtórzenie 349
    • Wstęp do wielowarstwowej architektury sieci neuronowych 351
    • Aktywacja sieci neuronowej za pomocą propagacji w przód 354
  • Klasyfikowanie pisma odręcznego 356
    • Zestaw danych MNIST 357
    • Implementacja perceptronu wielowarstwowego 362
  • Trenowanie sztucznej sieci neuronowej 371
    • Obliczanie logistycznej funkcji kosztu 371
    • Ujęcie intuicyjne algorytmu wstecznej propagacji 374
    • Uczenie sieci neuronowych za pomocą algorytmu propagacji wstecznej 375
  • Zbieżność w sieciach neuronowych 378
  • Jeszcze słowo o implementacji sieci neuronowej 380
  • Podsumowanie 380

Rozdział 13. Równoległe przetwarzanie sieci neuronowych za pomocą biblioteki TensorFlow 381

  • Biblioteka TensorFlow a skuteczność uczenia 382
    • Czym jest biblioteka TensorFlow? 383
    • W jaki sposób będziemy poznawać bibliotekę TensorFlow? 384
    • Pierwsze kroki z biblioteką TensorFlow 384
    • Praca ze strukturami tablicowymi 386
    • Tworzenie prostego modelu za pomocą podstawowego interfejsu TensorFlow 387
  • Skuteczne uczenie sieci neuronowych za pomocą wyspecjalizowanych interfejsów biblioteki TensorFlow 391
    • Tworzenie wielowarstwowych sieci neuronowych za pomocą interfejsu Layers 392
    • Projektowanie wielowarstwowej sieci neuronowej za pomocą interfejsu Keras 395
  • Dobór funkcji aktywacji dla wielowarstwowych sieci neuronowych 400
    • Funkcja logistyczna - powtórzenie 400
    • Szacowanie prawdopodobieństw przynależności do klas w klasyfikacji wieloklasowej za pomocą funkcji softmax 402
    • Rozszerzanie zakresu wartości wyjściowych za pomocą funkcji tangensa hiperbolicznego 403
    • Aktywacja za pomocą prostowanej jednostki liniowej (ReLU) 405
  • Podsumowanie 407

Rozdział 14. Czas na szczegóły - mechanizm działania biblioteki TensorFlow 409

  • Główne funkcje biblioteki TensorFlow 410
  • Rzędy i tensory 410
    • Sposób uzyskania rzędu i wymiarów tensora 411
  • Grafy obliczeniowe 412
  • Węzły zastępcze 414
    • Definiowanie węzłów zastępczych 414
    • Wypełnianie węzłów zastępczych danymi 415
    • Definiowanie węzłów zastępczych dla tablic danych o różnych rozmiarach pakietów danych 416
  • Zmienne 417
    • Definiowanie zmiennych 417
    • Inicjowanie zmiennych 419
    • Zakres zmiennych 420
    • Wielokrotne wykorzystywanie zmiennych 421
  • Tworzenie modelu regresyjnego 423
  • Realizowanie obiektów w grafie TensorFlow przy użyciu ich nazw 426
  • Zapisywanie i wczytywanie modelu 428
  • Przekształcanie tensorów jako wielowymiarowych tablic danych 430
  • Wykorzystywanie mechanizmów przebiegu sterowania do tworzenia grafów 433
  • Wizualizowanie grafów za pomocą modułu TensorBoard 436
    • Zdobywanie doświadczenia w używaniu modułu TensorBoard 439
  • Podsumowanie 440

Rozdział 15. Klasyfikowanie obrazów za pomocą splotowych sieci neuronowych 441

  • Podstawowe elementy splotowej sieci neuronowej 442
    • Splotowe sieci neuronowe i hierarchie cech 442
    • Splot dyskretny 444
    • Podpróbkowanie 452
  • Konstruowanie sieci CNN 454
    • Praca z wieloma kanałami wejściowymi/barw 454
    • Regularyzowanie sieci neuronowej metodą porzucania 457
  • Implementacja głębokiej sieci splotowej za pomocą biblioteki TensorFlow 459
    • Architektura wielowarstwowej sieci CNN 459
    • Wczytywanie i wstępne przetwarzanie danych 460
    • Implementowanie sieci CNN za pomocą podstawowego interfejsu TensorFlow 461
    • Implementowanie sieci CNN za pomocą interfejsu Layers 471
  • Podsumowanie 476

Rozdział 16. Modelowanie danych sekwencyjnych za pomocą rekurencyjnych sieci neuronowych 477

  • Wprowadzenie do danych sekwencyjnych 478
    • Modelowanie danych sekwencyjnych - kolejność ma znaczenie 478
    • Przedstawianie sekwencji 478
    • Różne kategorie modelowania sekwencji 479
  • Sieci rekurencyjne służące do modelowania sekwencji 480
    • Struktura sieci RNN i przepływ danych 480
    • Obliczanie aktywacji w sieciach rekurencyjnych 482
    • Problemy z uczeniem długofalowych oddziaływań 485
    • Jednostki LSTM 486
  • Implementowanie wielowarstwowej sieci rekurencyjnej przy użyciu biblioteki TensorFlow do modelowania sekwencji 488
  • Pierwszy projekt - analiza sentymentów na zestawie danych IMDb za pomocą wielowarstwowej sieci rekurencyjnej 489
    • Przygotowanie danych 489
    • Wektor właściwościowy 492
    • Budowanie modelu sieci rekurencyjnej 494
    • Konstruktor klasy SentimentRNN 495
    • Metoda build 495
    • Metoda train 499
    • Metoda predict 500
    • Tworzenie wystąpienia klasy SentimentRNN 500
    • Uczenie i optymalizowanie modelu sieci rekurencyjnej przeznaczonej do analizy sentymentów 501
  • Drugi projekt - implementowanie sieci rekurencyjnej modelującej język na poziomie znaków 502
    • Przygotowanie danych 503
    • Tworzenie sieci RNN przetwarzającej znaki 506
    • Konstruktor 506
    • Metoda build 507
    • Metoda train 509
    • Metoda sample 510
    • Tworzenie i uczenie modelu CharRNN 512
    • Model CharRNN w trybie próbkowania 512
  • Podsumowanie rozdziału i książki 513

Skorowidz 515

powrót
 
Produkty Podobne
Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud
Zautomatyzuj swoją firmę z Pythonem. Praktyczne rozwiązania dla firmowej sieci
Python for Programmers
Python. Kurs dla nauczycieli i studentów
Python. Szybko i prosto. Wydanie III
Python. Programowanie funkcyjne
Python. Uczenie maszynowe. Wydanie II
Deep Learning. Praca z językiem Python i biblioteką Keras
Uczenie maszynowe w Pythonie. Receptury
Python dla zupełnie początkujących. Owoce programowania. Wydanie IV
Więcej produktów