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

Wprowadzenie do uczenia maszynowego według Esposito Język: 1

978-83-7541-422-6

Cena Brutto: 79.80

Cena netto: 76.00

Ilość:
Wersja: Drukowana
Autor Dino Esposito, Francesco Esposito
Liczba_stron 448
Wydawnictwo Microsoft Press
Oprawa miękka
Data_Wydania 2020-05-13
Wprowadzenie do uczenia maszynowego według Esposito

Uczenie maszynowe stwarza niesamowite możliwości, a książka Wstęp do uczenia maszynowego zawiera praktyczną wiedzę o ich wykorzystaniu. Dino i Francesco Esposito zaczynają od krótkiego omówienia podstawowych zagadnień sztucznej inteligencji oraz zasad każdego projektu uczenia maszynowego. Następnie wprowadzają do potężnej biblioteki ML.NET opracowanej przez firmę Microsoft. Omawiają między innymi przetwarzanie danych, uczenie i weryfikację. Prezentują rodziny algorytmów, które można uczyć w celu rozwiązywania rzeczywistych problemów, a także techniki uczenia głębokiego wykorzystujące sieci neuronowe. Na koniec autorzy omawiają wartościowe usługi czasu wykonywania, dostępne za pośrednictwem chmury obliczeniowej Azure, a także rozważają długoterminowe perspektywy biznesowe związane z uczeniem maszynowym.
  • Zgłębianie zasad uczenia się ludzi oraz budowy inteligent­nego oprogramowania
  • Odkrycie problemów, które można rozwiązać z wykorzystaniem uczenia maszynowego
  • Zrozumienie potoku uczenia maszynowego, czyli kroków prowadzących do uzyskania gotowego modelu
  • Użycie AutoML w celu automatycznego wybrania najlepszego potoku dla dowolnego problemu i zbioru danych
  • Opanowanie biblioteki ML.NET, zaimplementowanie jej potoku oraz wykorzystanie zadań i algorytmów
  • Zgłębianie matematycznych podstaw uczenia maszynowego
  • Prognozowanie, ulepszanie sposobów podejmowania decyzji i stosowanie metod probabilistycznych
  • Grupowanie danych poprzez klasyfikację i klasteryzację
  • Poznanie podstaw uczenia głębokiego, włącznie z projektowaniem sieci neuronowych
  • Wykorzystanie usług w chmurze AI w celu szybszego tworzenia lepszych rzeczywistych rozwiązań
O tej książce:
  • Dla programistów chcących zdobyć umiejętności z zakresu analizy danych, jak i dla analityków danych, którzy chcą zdobyć odpowiednie umiejętności programistyczne.   
  • Zawiera przykłady uczenia maszynowego wykorzystujące bibliotekę ML.NET

    O autorach:

    Dino Esposito, 14-krotny Microsoft MVP, jest autorem ponad 20 książek, w tym Microsoft .NET: Architecting Applications for the Enterprise. Od 22 lat jest felietonistą w „Cutting Edge”, a także prowadzi regularne wykłady na różnych wydarzeniach branżowych na całym świecie. Od ponad 25 lat jest programistą, obecnie koncentruje się na sztucznej inteligencji w kontekście inteligentnych rozwiązań dla miast i energetyki, pracując na stanowisku stratega do spraw korporacyjnych rozwiązań cyfrowych w BaxEnergy.

    Francesco Esposito jest 21-letnim programistą zajmującym się zagadnieniami zaawansowanej matematyki i nauk o danych; interesuje się przede wszystkim hydrologią i służbą zdrowia. Jest twórcą Youbiquitous, firmy zajmującej się oprogramowaniem i sztuczną inteligencją.

    Cały przykładowy kod, włącznie z kompletnymi aplikacjami, jest dostępny pod adresem
    MicrosoftPressStore.com/IntroMachineLearning/download
    Podziękowania . . . . . . .xv
    O autorach  .xvii
    Wstęp  . . . . . . xix
    Część I Podstawy uczenia maszynowego

    1 Jak uczą się ludzie.. . . . . . . 3
    Ku myślącym maszynom.. . . . . . . .4
    Świt rozumowania mechanicznego    . . . .4
    Twierdzenia Gödla o niekompletności     .5
    Formalizacja maszyn liczących     . . . . . . . .5
    Formalizacja ludzkiego myślenia     . . . . . .6
    Narodziny sztucznej inteligencji jako dyscypliny   7
    Biologia uczenia się . . . .8
    Czym właściwie jest inteligentne oprogramowanie?   . . . . . .8
    Jak działają neurony.. . . . . .10
    Podejście kija i marchewki.15
    Przystosowywanie się do zmian     . . . . . . 17
    Sztuczne formy inteligencji. . . . .18
    Prymitywna inteligencja. . .18
    Systemy eksperckie.. . . . . . .19
    Systemy autonomiczne. . . 22
    Sztuczne formy sentymentu     . . . . . . . . 24
    Podsumowanie. . . . . . . 25

    2 Inteligentne oprogramowanie    . . . . 27
    Stosowana sztuczna inteligencja      28
    Ewolucja inteligencji oprogramowania    . . . . . . . 28
    Systemy eksperckie.. . . . . . 29
    Ogólna sztuczna inteligencja.. . .31
    Uczenie nienadzorowane. 32
    Uczenie nadzorowane. . . . 34
    Podsumowanie. . . . . . . 37

    3 Problemy z odwzorowywaniem i algorytmy   . . . . . . . 39
    Podstawowe problemy. . . . . . . . 40
    Klasyfikowanie obiektów. 40
    Przewidywanie wyników.. 43
    Grupowanie obiektów.. . . 45
    Bardziej złożone problemy.. . . . 48
    Klasyfikacja obrazów. . . . . 48
    Wykrywanie obiektów.. . . 49
    Analiza tekstu. . . 50
    Zautomatyzowane uczenie maszynowe    . . . .51
    Aspekty platformy AutoML      .51
    Korzystanie z platformy AutoML Model Builder   . . . . . . . . 54
    Podsumowanie. . . . . . . 57

    4 Ogólne kroki rozwiązania uczenia maszynowego   . 59
    Zbieranie danych. . . . . 60
    Kultura firmy sterowana danymi     . . . . 60
    Opcje magazynu 62
    Przygotowanie danych. . . . . . . . 63
    Podnoszenie jakości danych     . . . . . . . . 64
    Czyszczenie danych. . . . . . 64
    Inżynieria cech . . 66
    Finalizowanie treningowego zbioru danych   . . . 68
    Wybieranie i trenowanie modelu     70
    Ściągawka z algorytmów. .71
    Przypadek sieci neuronowych    . . . . . . . 74
    Ewaluacja wydajności modelu    . . . . . . . 75
    Wdrażanie modelu . . . 77
    Wybór odpowiedniej platformy hostingowej    . 77
    Eksponowanie API. . . . . . . 78
    Podsumowanie. . . . . . . 79

    5 Czynnik danych .81
    Jakość danych. . . . . . . . .81
    Ważność danych 82
    Zbieranie danych.. . . . . . . . 83
    Integralność danych . . 85
    Kompletność. . . . 85
    Spis treści vii
    Unikatowość . . . . 85
    Terminowość. . . . 86
    Dokładność . . . . . 86
    Spójność. . . . . . . . 86
    Kim właściwie jest analityk danych?     . . . . . . 86
    Praca analityka danych. . . 87
    Przybornik analityka danych     . . . . . . . . 88
    Analitycy danych i programiści    . . . . . . 88
    Podsumowanie. . . . . . . 90
    Część II Uczenie maszynowe w .NET

    6 Sposób .NET. . . . 93
    Dlaczego (nie) Python?. . . . . . . . 94
    Dlaczego Python jest tak popularny w uczeniu maszynowym?  . . . 94
    Taksonomia bibliotek Pythona wykorzystywanych w uczeniu maszynowym 96
    Kompleksowe rozwiązania wykorzystujące modele Pythona  . . . . . 99
    Wstęp do ML.NET . . . . 101
    Tworzenie i używanie modeli w ML.NET    . . . . . .102
    Elementy kontekstu uczenia     . . . . . . . 104
    Podsumowanie. . . . . . .109

    7 Implementacja potoku ML.NET     . . 111
    Dane początkowe . . . . 111
    Eksploracja zbioru danych112
    Stosowanie typowych transformacji danych    . . 113
    Uwarunkowania zbioru danych     . . . . . 114
    Etap treningowy. . . . . . 114
    Wybór algorytmu. . . . . . . . 115
    Pomiar rzeczywistej wartości algorytmu    . . . . . . 115
    Planowanie fazy testowej. 116
    Rzut oka na miary. . . . . . . . 117
    Przewidywanie cen z poziomu aplikacji klienckiej    . . 118
    Pobieranie pliku modelu.. 118
    Konfigurowanie aplikacji ASP.NET     . . . 118
    Przewidywanie opłat za przejazd taksówką    . . . 119
    Opracowanie odpowiedniego interfejsu użytkownika   . . 121
    Wątpliwości dotyczące danych i podejścia do problemu 122
    viii Spis treści
    Podsumowanie. . . . . . .123

    8 Zadania i algorytmy ML.NET     . . . . 125
    Ogólna architektura ML.NET. . .125
    Wykorzystywane typy i interfejsy    . . . .126
    Reprezentacja danych. . . .127
    Obsługiwane katalogi. . . .130
    Zadania klasyfikacji . . .132
    Klasyfikacja binarna. . . . . .132
    Klasyfikacja wieloklasowa.138
    Zadania grupowania w klastry145
    Przygotowanie danych do pracy     . . . 145
    Trenowanie modelu. . . . . 146
    Ocena modelu . 148
    Przeniesienie uczenia . 151
    Etapy tworzenia klasyfikatora obrazów    . . . . . . . 151
    Stosowanie niezbędnych transformacji danych  152
    Tworzenie i trenowanie modelu    . . . . 154
    Dodatkowe uwagi o przeniesieniu uczenia    . . .156
    Podsumowanie. . . . . . .157
    Część III Podstawy uczenia płytkiego

    9 Matematyczne podstawy uczenia maszynowego  . .161
    Pod parasolem statystyki. . . . . .162
    Średnia w statystyce. . . . . .163
    Dominanta w statystyce. .165
    Mediana w statystyce.. . . .166
    Obciążenie i wariancja169
    Wariancja w statystyce.. . .169
    Obciążenie w statystyce. .172
    Reprezentacja danych173
    Podsumowanie pięcioliczbowe    . . . . . .173
    Histogramy . . . . .174
    Wykresy punktowe. . . . . . .175
    Macierze wykresu punktowego     . . . . .176
    Tworzenie wykresu na odpowiedniej skali    . . . .177
    Podsumowanie. . . . . . .178

    10 Miary uczenia maszynowego     . . . . 179
    Statystyka a uczenie maszynowe     179
    Ostateczny cel uczenia maszynowego    . . . . . . . .180
    Od modeli statystycznych do modeli uczenia maszynowego . . . . . 181
    Ocena modelu uczenia maszynowego    . . . 184
    Od zbioru danych do prognoz     . . . . . 184
    Mierzenie precyzji modelu     .185
    Przygotowanie danych do przetwarzania     . 191
    Skalowanie . . . . .192
    Standaryzacja . . .193
    Normalizacja. . . .193
    Podsumowanie. . . . . . .193

    11 Proste prognozy: Regresja liniowa   . . . . . . . . 195
    Problem  . . . .195
    Zgadywanie wyników na podstawie danych    . .196
    Tworzenie hipotez o relacji     197
    Algorytm liniowy . . . . .199
    Ogólna idea . . . 200
    Znajdowanie funkcji straty      .201
    Algorytm najmniejszych kwadratów    202
    Algorytm spadku gradientu     . . . . . . . 205
    Jak dobry jest algorytm?.209
    Ulepszanie rozwiązania. . . . . . . .210
    Trasa wielomianowa. . . . . .210
    Regularyzacja . . . 211
    Podsumowanie. . . . . . .212

    12 Złożone przewidywania i decyzje: drzewa   . . . . . . . . 213
    Problem  . . . 214
    Czym właściwie jest drzewo?    . . . . . . . 214
    Drzewa w uczeniu maszynowym     . . . .215
    Przykładowy algorytm oparty na drzewie   . . . . .215
    Zasady projektowania algorytmów opartych na drzewach   . . .217
    Drzewa decyzyjne a systemy eksperckie    . . . . . .217
    Odmiany algorytmów opartych na drzewach    .218
    Drzewa klasyfikacyjne. . . . . . . . 220
    Działanie algorytmu CART     220
    Algorytm ID3 . . 224
    Drzewa regresji. . . . . . 227
    Działanie algorytmu.. . . . 227
    Przycinanie drzewa.. . . . . 228
    Podsumowanie. . . . . . 229

    13 Jak podejmować lepsze decyzje: metody grupowe . . . . . . . . 231
    Problem  . . . .231
    Technika bagging . . . 232
    Algorytmy lasów losowych     . . . . . . . . 233
    Kroki algorytmów. . . . . . . 235
    Zalety i wady. . . 236
    Technika wzmacniania (boosting)     . . . . . . . 238
    Możliwości wzmacniania238
    Wzmacnianie gradientowe     . . . . . . . . 241
    Zalety i wady. . . 245
    Podsumowanie. . . . . . 246

    14 Metody probabilistyczne: naiwny klasyfikator bayesowski  247
    Szybkie wprowadzenie do statystyki bayesowskiej   . 247
    Wstęp do prawdopodobieństwa Bayesa    . . . . . 248
    Wstęp do notacji. . . . . . . . 249
    Twierdzenie Bayesa.. . . . . .251
    Praktyczny przykład recenzji kodu     . 252
    Wykorzystanie statystyki bayesowskiej w klasyfikacji  . . . . . . . . 253
    Wstępne sformułowanie problemu    . 253
    Uproszczone (lecz skuteczne) sformułowanie    254
    Praktyczne aspekty klasyfikatorów bayesowskich  . . . . . . 256
    Naiwne klasyfikatory bayesowskie    . . . . . . . 256
    Ogólny algorytm.. . . . . . . 257
    Wielomianowy naiwny klasyfikator bayesowski   . . . . . . . 258
    Naiwny klasyfikator bayesowski Bernoulliego    .261
    Naiwny klasyfikator bayesowski Gaussa   . . . . . . 262
    Naiwna regresja bayesowska.. 265
    Podstawy liniowej regresji bayesowskiej    . . . . . 265
    Zastosowanie bayesowskiej regresji liniowej    . 266
    Podsumowanie. . . . . . 267

    15 Grupowanie danych: klasyfikacja i klastry   269
    Podstawowe podejście do klasyfikacji nadzorowanej   . . . . . . . 270
    Algorytm k najbliższych sąsiadów     . . 270
    Kroki algorytmu.. . . . . . . . 273
    Scenariusze biznesowe. . 275
    Maszyna wektorów nośnych. . 276
    Ogólny opis algorytmu.. 276
    Szybka powtórka z matematyki     . . . . 280
    Kroki algorytmu.. . . . . . . . 282
    Klasteryzacja nienadzorowana287
    Przypadek biznesowy: redukcja zbioru danych   . . . . . . . . 287
    Algorytm K-średnich. . . . 288
    Algorytm K-medoidów. . 290
    Algorytm DBSCAN. . . . . . .291
    Podsumowanie. . . . . . 294
    Część IV Podstawy uczenia głębokiego

    16 Jednokierunkowe sieci neuronowe   . . . . . . . 299
    Krótka historia sieci neuronowych     . . . . . . . 299
    Neuron McCullocha-Pittsa     300
    Sieci jednokierunkowe.. . 300
    Bardziej wyrafinowane sieci     301
    Typy sztucznych neuronów. . . .301
    Perceptron. . . . . .301
    Neuron logistyczny.. . . . . 305
    Trenowanie sieci neuronowej.. 307
    Ogólna strategia uczenia308
    Algorytm propagacji wstecznej     . . . . 309
    Podsumowanie. . . . . . .316

    17 Projekt sieci neuronowej     317
    Aspekty sieci neuronowej. . . . . .317
    Funkcje aktywacji. . . . . . . .318
    Ukryte warstwy 322
    Warstwa wyjściowa.. . . . . 326
    Budowanie sieci neuronowej.. 327
    Dostępne platformy. . . . . 327
    xii Spis treści
    Pierwsza sieć neuronowa za pomocą Keras    . . 330
    Sieci neuronowe kontra inne algorytmy    . . . . . 333
    Podsumowanie. . . . . . 336

    18 Inne typy sieci neuronowych     . . . . 337
    Typowe problemy jednokierunkowych sieci neuronowych   . . 337
    Rekurencyjne sieci neuronowe338
    Anatomia sieci neuronowej ze stanem   . . . . . . . 339
    Sieci neuronowe LSTM. . 342
    Konwolucyjne sieci neuronowe     . 345
    Klasyfikacja i rozpoznawanie obrazów    . . . . . . . 345
    Warstwa konwolucyjna. . 346
    Warstwa typu pooling. . . 349
    W pełni połączona warstwa    351
    Dalszy rozwój sieci neuronowych    . . . . . . . . 352
    Generatywne sieci neuronowe z przeciwnikiem   . . . . . . . 352
    Sieci typu autoencoder. . 353
    Podsumowanie. . . . . . 355

    19 Analiza sentymentu: kompleksowe rozwiązanie   . . 357
    Przygotowanie danych treningowych     . . . 358
    Formalizowanie problemu      358
    Uzyskiwanie danych.. . . . 359
    Manipulowanie danymi. 360
    Uwarunkowania dotyczące formatu pośredniego   . . . . . .361
    Trenowanie modelu . 362
    Wybieranie ekosystemu. 362
    Budowanie słownika wyrazów     . . . . . 363
    Wybieranie trenera.. . . . . 364
    Inne aspekty sieci. . . . . . . 369
    Aplikacja kliencka . . . .371
    Pobieranie danych wejściowych dla modelu    . 372
    Uzyskiwanie prognoz z modelu     . . . . 373
    Przekształcanie odpowiedzi w przydatne informacje   . . 374
    Podsumowanie. . . . . . 375
    Część V Finalne uwagi

    20 Usługi w chmurze oferujące AI     . . 379
    Azure Cognitive Services.. . . . . 380
    Azure Machine Learning Studio      .381
    Azure Machine Learning Service     . . . 384
    Maszyny DSVM 387
    Usługi lokalne. . . . . . . 387
    SQL Server Machine Learning Services    . . . . . . 387
    Machine Learning Server388
    Microsoft Data Processing Services     . . . . . . 388
    Azure Data Lake.. . . . . . . . 388
    Azure Databricks. . . . . . . . 389
    Azure HDInsight. . . . . . . . 390
    .NET dla Apache Spark. . 390
    Azure Data Share.. . . . . . . .391
    Azure Data Factory. . . . . . .391
    Podsumowanie. . . . . . .391

    21 Biznesowe postrzeganie AI     . . . . . . 393
    Postrzeganie AI w branży. . . . . 393
    Wykorzystanie potencjału      394
    Do czego można wykorzystać sztuczną inteligencję   . . . 394
    Wyzwania czające się tuż za rogiem     396
    Kompleksowe rozwiązania. . . . 398
    Nazwijmy to po prostu konsultingiem    . . . . . . . 399
    Granica między oprogramowaniem a analizą danych  . . 399
    Zwinna AI. . . . . . 402
    Podsumowanie. . . . . . 405
    Indeks  . . . . . 407
    powrót
     
    Produkty Podobne
    Jak projektować usługi. Niezawodne zasady w praktycznym zastosowaniu
    Python dla DevOps. Naucz się bezlitośnie skutecznej automatyzacji
    Przewodnik po MongoDB. Wydajna i skalowalna baza danych. Wydanie III
    Python i Asyncio. Programowanie asynchroniczne
    Projektowanie interfejsów., Sprawdzone wzorce projektowe. Wydanie III
    Python. Nowoczesne programowanie w prostych krokach. Wydanie II
    Myśl w języku Java! Nauka programowania. Wydanie II
    Praktyczne uczenie nienadzorowane przy użyciu języka Python
    Efektywny Kotlin. Najlepsze praktyki
    Wszechstronny JavaScript. Technologie: GraphQL, React, React Native i Electron
    Więcej produktów