Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie Bielsko-Biała

Wejdź na nowy poziom programowania z ML i NLP Sztuczna inteligencja stale się rozwija. Właściwie codziennie słyszymy o jej rosnących możliwościach, nowych osiągnięciach i przyszłości, jaką nam przyniesie. Jednak w tej książce skupiamy się nie na przyszłości, a na teraźniejszości i praktycznym obliczu AI - na usługach, które świadczy już dziś. Większość najciekawszych zastosowań sztucznej inteligencji bazuje na ML (uczenie maszynowe, ang. machine learning), NLP (przetwarzanie języka naturalnego, ang. natural language processing) i architekturze RAG (ang. retrieval augmented generation) zwiększającej możliwości tzw. dużych modeli językowych (LLM, ang. large language model). Stanowią one podwaliny budowy systemów AI, bez których te systemy często wcale nie mogłyby powstać. Do niedawna ML i NLP pozostawały domeną badaczy i specjalistów - znajdowały się poza zasięgiem praktyków programowania. Aktualnie jest inaczej, szybkie komputery, pojemne pamięci RAM i zaawansowane procesory pozwalają stosować te technologie w codziennej pracy programisty. Szczególnie programisty języka Python, do którego są one niemal "naturalnie" przypisane. Mało tego, od kodujących w Pythonie coraz częściej wręcz wymaga się umiejętności znajomości obszaru AI. Tym bardziej warto sięgnąć po ten podręcznik z ćwiczeniami, dzięki któremu między innymi: Dowiesz się, jak używać Pythona do rozwiązywania problemów AI Poznasz tajniki analizy tekstów, analizy sentymentu Zrozumiesz, jak skutecznie używać algorytmów klasyfikacji, regresji i grupowania do rozwiązywania problemów biznesowych Pokonwersujesz z ChatGPT - i to bez wchodzenia na stronę internetową tego serwisu Spis treści: Wstęp Rozdział 1. O technikach ML, NLP oraz AI bez zbędnej teorii Bać się czy nie bać AI? Zastosowania sztucznej inteligencji Systemy eksperckie Sieci neuronowe Uczenie maszynowe Modelowanie problemów w Pythonie Tablice - podstawowa struktura w przetwarzaniu danych Grafy - modelowanie stanów i przejść Klasy - modelowanie rzeczywistości Modelem jestem Z nauczycielem czy bez? Nauczanie nadzorowane Nauczanie nienadzorowane Techniki mieszane Ważniejsze biblioteki AI/ML i NLP w Pythonie Pakiety uniwersalne Pakiety przydatne w ML i NLP Na deser - Noam Chomsky o AI Rozdział 2. Niezbędnik warsztatowy programisty Pythona Testujemy poprawność instalacji Pythona Instalator pip i biblioteki Pythona Edytory do Pythona Środowiska IDE IDLE PyCharm Visual Studio Community Notatniki Jupyter Dokumentacja Pythona Używanie zasobów GitHuba Rozdział 3. NLP - przybornik Odczyt plików i katalogów Rodzaje plików Otwieranie plików Klasa Path Napisy - na co zwrócić uwagę Napisy to nie tablice Konwersje Wyrażenia regularne Pobieranie tekstu z plików PDF Instalacja i konfiguracja spaCy Instalacja i konfiguracja NLTK Podstawowe techniki NLP Tokenizacja bez zadyszki NER, czyli nazwy własne NER w spaCy Czas na pomiar Stop word - co z tym fantem zrobić? NLTK i spaCy - co dalej? Rozdział 4. NLP - zastosowania Powtórka z NumPy Tablice i macierze Deklarowanie tablic i macierzy w pigułce Funkcje tablicowe Zmiany układu i rozmiaru tablic Wycinki, czyli opanuj dwukropek Powtórka z Pandas Model danych w bibliotece Pandas Obiekty Pandas Series Obiekty Pandas DataFrame Import danych zewnętrznych Czyszczenie danych Analiza jadłospisu pandy Nauczanie nadzorowane w pigułce Macierz konfuzji Ewaluacja modeli klasyfikacji Wstępniak z scikit-learn Klasyfikacja na przykładzie Analiza podobieństwa Wektoryzacja w spaCy Techniczne aspekty wektoryzacji Klasyfikacja - ciąg dalszy Klasyfikacja dla liczby klas większej niż 2 Analiza sentymentu VADER TextBlob Rozdział 5. ChatGPT to. nie tylko czat! Czym jest ChatGPT? Wektory słów i word embeddings Nie tylko chat Podłączamy się do serwisu OpenAI przez API Tworzenie konta w usłudze OpenAI Klucz API do komunikacji z usługą GPT Bezpieczeństwo klucza API Konwersacja z ChatGPT przez API Szablon zapytania do ChatGPT API Dłuższe sesje z ChatGPT API Podłączamy ChatGPT do internetu Naucz się web scrappingu Analiza sentymentu recenzji internetowych Interfejs embeddings serwisu OpenAI Rozdział 6. Szybka analiza danych przy użyciu Matplotlib Wykresy punktowe i liniowe Modyfikacje wyglądu wykresu Wykresy wielokrotne Popularne miary statystyczne Rozkład normalny warto znać! Popularne wykresy analizy danych Wykresy słupkowe Histogramy Wykres skrzypcowy Wykres pudełkowy Mapa cieplna Podręcznik Matplotlib na bezludną wyspę? Rozdział 7. Czy można przewidzieć nieznane? Zastosowania regresji liniowej Kiedy regresja działa, a kiedy nie? Wstępna analiza statystyczna danych Regresja z użyciem biblioteki scikit-learn Rozdział 8. Podział klasowy bez złych skojarzeń Metody skalowania cech Skalowanie cech - przykład Analiza wartości odstających Klasyfikacja bez standaryzacji i ze standaryzacją Zmienne kategoryczne - co z tym fantem zrobić? Preprocesowanie danych przy użyciu ColumnTransformer Gdy klas jest więcej niż dwie Klasyfikacja obrazów Rozdział 9. Dziel i rządź, czyli klasteryzacja Niebo gwiaździste nade mną. Popularne algorytmy realizujące klasteryzację Pierwsze klastrowanie w Pythonie Klastrowanie hierarchiczne Algorytm centroidów (K-Means) Więcej wymiarów Kłopotliwe dane kategoryczne K-modes K-prototypes A może dwa wróble w garści? Podsumowanie Skorowidz O autorze: Piotr Wróblewski — autor książek z dziedziny informatyki. Z wydawnictwem Helion współpracuje od 1992 roku, czego efektem są liczne podręczniki programowania i obsługi komputerów; najpopularniejsze, ABC komputera i Algorytmy, struktury danych i techniki programowania, doczekały się wielu wydań i nieprzerwanie cieszą się zainteresowaniem czytelników. Ostatni z wymienionych tytułów ukazał się również za granicą. Pierwotnie ilustrowany kodem C++, został przygotowany także w wariantach z językami Java i Python. Piotr Wróblewski jest absolwentem Politechniki Śląskiej i francuskiej uczelni inżynierskiej ENSSAT (w Lannion w Bretanii). Studia we Francji do dziś wspomina jako największą przygodę swojego życia. Po powrocie do Polski przez pewien czas zajmował się pisaniem oprogramowania na zamówienie i prowadzeniem szkoleń komputerowych. Główną część kariery zawodowej zajmuje mu praca w spółkach zagranicznych z branży telekomunikacyjnej, IT i konsultingu, głównie w charakterze kierownika projektów i product managera. Już w trakcie pracy zawodowej ukończył studia z zarządzania i marketingu ... Master HEC w Szkole Biznesu Politechniki Warszawskiej. Od 2006 roku mieszka we Wrocławiu. W ostatnich latach specjalizuje się w bezpieczeństwie aplikacji (klasycznych i oferowanych w chmurze) i rozwijaniu produktów wspomagających cyberbezpieczeństwo. Pełny profil zawodowy: https://www.linkedin.com/in/pwroblewski/.