Zaawansowane uczenie maszynowe z językiem Python - ebook

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.

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)