Zaawansowane uczenie maszynowe z językiem Python Dąbrowa Górnicza

Uczenie maszynowe przyczyniło się do powstania wielu innowacyjnych technologii. Pojazdy autonomiczne, mechanizmy rozpoznawania obrazów, badania genetyczne, a także dynamiczne dostosowywanie prezentowanych treści do preferencji odbiorcy to tylko niektóre przykłady. Możliwości związane z rozwojem tych technik sprawiają, że analityka danych i zaawansowane uczenie maszynowe stają się wyjątkowo cenną wiedzą. Dotyczy to szczególnie nowatorskich technik analizy danych, takich jak głębokie uczenie, algorytmy częściowo nadzorowane i metody zespołowe. Niniejsza książka jest przystępnie napisanym podręcznikiem, dzięki któremu poznasz niektóre zaawansowane techniki uczenia maszynowego. Szczególną uwagę poświęcono tu algorytmom uczenia maszynowego: zostały dokładnie wyjaśnione, opisano ich zastosowanie oraz topologię, metody uczenia i miary wydajności. Każdy rozdział uzupełniono o wykaz źródeł, pomocny w dalszym zgłębianiu tematu. Dodatkowo przedstawiono wiele cennych wskazówek dotyczących specyfiki pracy analityka danych. Do prezentacji przykładów wybrano język Python z uwagi na jego wszechstronność, elastyczność, prostotę oraz możliwość stosowania do specjalistycznych zadań. Najważniejsze zagadnienia przedstawione w książce: identyfikacja struktur i wzorców w zbiorach danych stosowanie sieci neuronowych praca z językiem naturalnym modele zespołowe i poprawa ich elastyczności narzędzia uczenia maszynowego w Pythonie Zaawansowane uczenie maszynowe — poznaj algorytmy przyszłości! John Hearty — jest autorytetem w dziedzinie analityki danych i inżynierii infrastruktury. Przez pewien czas zajmował się modelowaniem zachowań gracza i infrastrukturą dużych zbiorów danych w Microsofcie. Ważniejszymi jego projektami były modelowanie umiejętności gracza w grach asymetrycznych i modele segmentacji graczy mające na celu zindywidualizowanie rozgrywki. Obecnie Hearty jest niezależnym ekspertem, szczególnie cenionym przez zespoły zajmujące się eksploracją danych. W wolnym czasie tworzy modele uczenia maszynowego w Pythonie. Spis treści: O autorze (9) O korektorach merytorycznych (11) Wstęp (13) Rozdział 1. Nienadzorowane uczenie maszynowe (19) Analiza głównych składowych (PCA) (20) Podstawy analizy głównych składowych (20) Stosowanie algorytmu analizy głównych składowych (21) Wprowadzenie grupowania metodą k-średnich (24) Grupowanie - wprowadzenie (24) Rozpoczynamy grupowanie (25) Dostrajanie konfiguracji klastrów (29) Sieci Kohonena (34) Sieci Kohonena - wprowadzenie (34) Korzystanie z sieci Kohonena (35) Dalsza lektura (38) Podsumowanie (39) Rozdział 2. Sieci DBN (41) Sieci neuronowe - wprowadzenie (42) Budowa sieci neuronowej (42) Topologie sieci (43) Ograniczona maszyna Boltzmanna (45) Ograniczone maszyny Boltzmanna - wstęp (46) Zastosowania ograniczonych maszyn Boltzmanna (49) Dalsze zastosowania ograniczonej maszyny Boltzmanna (58) Sieci głębokie (59) Trenowanie sieci DBN (59) Stosowanie sieci DBN (60) Walidacja sieci DBN (63) Dalsza lektura (64) Podsumowanie (64) Rozdział 3. Stosy autoenkoderów odszumiających (67) Autoenkodery (67) Autoenkodery - wprowadzenie (68) Odszumianie autoenkoderów (70) Korzystanie z autoenkodera odszumiającego (72) Stosy autoenkoderów odszumiających (75) Korzystanie ze stosu autoenkoderów odszumiających (76) Ocena wydajności stosu autoenkoderów odszumiających (82) Dalsza lektura (83) Podsumowanie (83) Rozdział 4. Konwolucyjne sieci neuronowe (85) Konwolucyjne sieci neuronowe - wprowadzenie (85) Topologia sieci konwolucyjnej (86) Korzystanie z konwolucyjnych sieci neuronowych (98) Dalsza lektura (104) Podsumowanie (105) Rozdział 5. Częściowo nadzorowane uczenie maszynowe (107) Wstęp (107) Czym jest uczenie częściowo nadzorowane? (108) Działanie algorytmów uczenia częściowo nadzorowanego (109) Samodzielne uczenie się (109) Kontrastywna pesymistyczna estymacja prawdopodobieństwa (119) Dalsza lektura (128) Podsumowanie (129) Rozdział 6. Rozpoznawanie języka naturalnego i selekcja cech (131) Wstęp (131) Selekcja cech danych tekstowych (133) Czyszczenie danych tekstowych (133) Tworzenie cech na podstawie danych tekstowych (141) Testowanie przygotowanych danych (146) Dalsza lektura (152) Podsumowanie (153) Rozdział 7. Selekcja cech - część II (155) Wstęp (155) Tworzenie zestawu cech (156) Selekcja cech pod kątem uczenia maszynowego (156) Korzystanie z technik selekcji cech (164) Inżynieria cech w praktyce (172) Pobieranie danych za pomocą interfejsów REST (173) Dalsza lektura (192) Podsumowanie (193) Rozdział 8. Metody zespołowe (195) Wprowadzenie do metod zespołowych (196) Metody uśredniające (197) Stosowanie metod wzmacniania (201) Stosowanie metod kontaminacji (207) Wykorzystanie modeli w zastosowaniach dynamicznych (212) Czym jest elastyczność modeli? (213) Strategie zarządzania elastycznością modelu (220) Dalsza lektura (223) Podsumowanie (224) Rozdział 9. Dodatkowe narzędzia uczenia maszynowego w języku Python (225) Alternatywne narzędzia programowe (226) Biblioteka Lasagne - wprowadzenie (226) Biblioteka TensorFlow - wprowadzenie (228) Kiedy warto korzystać z tych bibliotek? (232) Dalsza lektura (235) Podsumowanie (235) Dodatek A. Wymagania przykładowych skryptów (237) Skorowidz (239) O autorze: John Hearty — jest autorytetem w dziedzinie analityki danych i inżynierii infrastruktury. Przez pewien czas zajmował się modelowaniem zachowań gracza i infrastrukturą dużych zbiorów danych w Microsofcie. Ważniejszymi jego projektami były modelowanie umiejętności gracza w grach asymetrycznych i modele segmentacji graczy mające na celu zindywidualizowanie rozgrywki. Obecnie Hearty jest niezależnym ekspertem, szczególnie cenionym przez zespoły zajmujące się eksploracją danych. W wolnym czasie tworzy modele uczenia maszynowego w Pythonie.