Uczenie maszynowe i nauka o danych są dziś ogromnie popularne. Dziedziny te szybko się rozwijają, a poszczególne techniki uczenia maszynowego znajdują coraz więcej różnorodnych zastosowań. Wiedza, którą można uzyskać dzięki odpowiedniemu przygotowaniu danych i ich eksploracji, często jest bezcenna. Umiejętność ich analizy oraz wiedza o możliwych sposobach rozwiązywania problemów napotykanych podczas uczenia maszynowego są więc dużymi atutami i mogą być wykorzystywane w wielu gałęziach nauki, techniki i biznesu.
Z tego zwięzłego przewodnika po technikach uczenia maszynowego opartego na strukturalnych danych skorzystają programiści, badacze, osoby zajmujące się nauką o danych oraz twórcy systemów sztucznej inteligencji. Znalazł się tu wyczerpujący opis procesu uczenia maszynowego i klasyfikacji danych strukturalnych. Przedstawiono też metody klastrowania danych, analizy regresji, redukcji wymiarowości oraz inne ważne zagadnienia. Prezentowane treści zostały zilustrowane uwagami, tabelami i przykładami kodu. Nie zabrakło opisu przydatnych bibliotek, niezwykle użytecznych w pracy analityka danych. W efekcie książka pozwala na szybkie rozwiązywanie różnego rodzaju problemów związanych z przetwarzaniem danych strukturalnych.
W książce między innymi:
klasyfikacja, oczyszczanie i uzupełnianie braków danych
eksploracyjna analiza danych i dobór modelu danych
przykłady analiz regresji
redukcja wymiarowości
potoki w bibliotece scikit-learn
Uczenie maszynowe: nowy wymiar analizy danych!

lgrsnf/Uczenie maszynowe w Pythonie. Leksykon kieszonkowy (2020, Helion) - Matt Harrison.epub

Машинное обучение: карманный справочник: краткое руководство по методам структурированного машинного обучения на Python

Machine Learning Pocket Reference : Working with Structured Data in Python

Harrison, M: Machine Learning Pocket Reference

Мэтт Харрисон; перевод с английского и редакция В. А. Коваленко

Harrison, Matt

Харрисон, Мэтт

O'Reilly Media, Incorporated

Диалектика; Диалектика

First edition, Beijing ; Boston ; Farnham ; Sebastopol ; Tokyo, 2019

First edition, North Sebastopol, CA, 2019

United States, United States of America

O'Reilly Media, Sebastopol, 2019

Poland, Poland

1, 2019-09-17

1, PS, 2019

2024

Предм. указ.: с. 307-312
Пер.: Harrison, Matt Machine learning Beijing etc. : O'Reilly, cop. 2019 978-1-492-04754-4

РГБ

Russian State Library [rgb] MARC:
=001 010391112
=005 20200828133016.0
=008 200819s2020\\\\ru\||||\\\\\\\0||\|\rus|d
=017 \\ $a КН-П-20-045080 $b RuMoRKP
=020 \\ $a 978-5-907203-17-4 $c 200 экз.
=040 \\ $a RuMoRGB $b rus $e rcr
=041 1\ $a rus $h eng
=044 \\ $a ru
=084 \\ $a З973.236я22 $2 rubbk
=100 1\ $a Харрисон, Мэтт
=245 00 $a Машинное обучение : $b карманный справочник : краткое руководство по методам структурированного машинного обучения на Python $c Мэтт Харрисон ; перевод с английского и редакция В. А. Коваленко
=260 \\ $a Москва $b Диалектика ; $c 2020 $a Санкт-Петербург $b Диалектика
=300 \\ $a 312 с. $b ил., табл. $c 20 см
=336 \\ $a Текст (визуальный)
=337 \\ $a непосредственный
=500 \\ $a Предм. указ.: с. 307-312
=534 \\ $p Пер.: $a Harrison, Matt $t Machine learning $c Beijing etc. : O'Reilly, cop. 2019 $z 978-1-492-04754-4
=650 \7 $a Техника. Технические науки -- Энергетика. Радиоэлектроника -- Радиоэлектроника -- Вычислительная техника -- Электронные вычислительные машины (компьютеры) -- Цифровые электронные вычислительные машины. Программирование -- Специализированные компьютеры и системы. Отдельные информационные технологии -- Образовательные системы -- Справочник $2 rubbk
=852 \\ $a РГБ $b FB $j 2 20-35/435 $x 90
=852 \\ $a РГБ $b FB $j 2 20-35/331 $x 90

Spis treści
Przedmowa
Czego należy oczekiwać?
Dla kogo jest ta książka?
Konwencje typograficzne
Przykłady kodów
Podziękowania
Rozdział 1. Wprowadzenie
Wykorzystywane biblioteki
Instalowanie bibliotek za pomocą programu pip
Instalowanie bibliotek za pomocą programu conda
Rozdział 2. Schemat procesu uczenia maszynowego
Rozdział 3. Klasyfikacja danych: baza Titanic
Proponowany schemat projektu
Importowane biblioteki
Zadanie pytania
Stosowana terminologia
Zebranie danych
Oczyszczanie danych
Zdefiniowanie cech
Próbkowanie danych
Imputacja danych
Normalizacja danych
Refaktoryzacja kodu
Model odniesienia
Różne rodziny algorytmów
Kontaminacja modeli
Utworzenie modelu
Ocena modelu
Optymalizacja modelu
Macierz pomyłek
Krzywa ROC
Krzywa uczenia
Wdrożenie modelu
Rozdział 4. Brakujące dane
Badanie braków danych
Pomijanie braków
Imputacja danych
Tworzenie kolumn ze wskaźnikami
Rozdział 5. Oczyszczanie danych
Nazwy kolumn
Uzupełnianie brakujących wartości
Rozdział 6. Badanie danych
Ilość danych
Statystyki podsumowujące
Histogram
Wykres punktowy
Wykres łączony
Macierz wykresów
Wykresy pudełkowy i skrzypcowy
Porównywanie dwóch cech porządkowych
Korelacja
Wykres RadViz
Wykres współrzędnych równoległych
Rozdział 7. Wstępne przetwarzanie danych
Normalizacja
Skalowanie w zadanym zakresie
Kolumny wskaźnikowe
Kodowanie etykietowe
Kodowanie częstościowe
Wyodrębnianie kategorii danych z ciągów znaków
Inne rodzaje kodowania kolumn kategorialnych
Przetwarzanie dat
Tworzenie cechy col_na
Ręczne przetwarzanie cech
Rozdział 8. Wybieranie cech
Skorelowane kolumny danych
Regresja lasso
Rekurencyjna eliminacja cech
Informacja wzajemna
Analiza głównych składowych
Ważność cech
Rozdział 9. Niezrównoważone klasy danych
Wybór innego wskaźnika
Algorytmy drzewa decyzyjnego i metody zespołowe
Penalizacja modeli
Próbkowanie w górę mniej licznych klas
Generowanie danych w mniej licznych klasach
Próbkowanie w dół bardziej licznych klas
Próbkowanie w górę, a potem w dół
Rozdział 10. Klasyfikacja
Regresja logistyczna
Naiwny klasyfikator Bayesa
Maszyna wektorów nośnych
K najbliższych sąsiadów
Drzewo decyzyjne
Las losowy
XGBoost
Model LightGBM z gradientowym wzmacnianiem
TPOT
Rozdział 11. Wybór modelu
Krzywa weryfikacji
Krzywa uczenia
Rozdział 12. Wskaźniki i ocena klasyfikacji
Tablica pomyłek
Wskaźniki
Dokładność
Czułość
Precyzja
F1
Raport klasyfikacyjny
Krzywa ROC
Krzywa precyzja-czułość
Krzywa skumulowanych zysków
Krzywa podniesienia
Równowaga klas
Błąd prognozowania klas
Próg dyskryminacji
Rozdział 13. Interpretacja modelu
Współczynniki regresji
Ważność cech
Pakiet LIME
Interpretacja drzewa
Wykres częściowych zależności
Modele zastępcze
Pakiet Shapley
Rozdział 14. Regresja
Model odniesienia
Regresja liniowa
Maszyna wektorów nośnych
K najbliższych sąsiadów
Drzewo decyzyjne
Las losowy
XGBoost
LightGBM
Rozdział 15. Wskaźniki i ocena regresji
Wskaźniki
Wykres reszt
Heteroskedastyczność
Rozkład normalny reszt
Wykres błędów prognozowanych wyników
Rozdział 16. Interpretacja modelu regresyjnego
Shapley
Rozdział 17. Redukcja wymiarowości danych
Analiza głównych składowych
UMAP
t-SNE
PHATE
Rozdział 18. Klastrowanie danych
Algorytm k-średnich
Klastrowanie aglomeracyjne (hierarchiczne)
Interpretowanie klastrów
Rozdział 19. Potoki
Potok klasyfikacyjny
Potok regresyjny
Potok analizy głównych składowych
O autorze
Kolofon

With detailed notes, tables, and examples, this handy reference will help you navigate the basics of structured machine learning. Author Matt Harrison delivers a valuable guide that you can use for additional support during training and as a convenient resource when you dive into your next machine learning project.Ideal for programmers, data scientists, and AI engineers, this book includes an overview of the machine learning process and walks you through classification with structured data. You'll also learn methods for clustering, predicting a continuous value (regression), and reducing dimensionality, among other topics.This pocket reference includes sections that cover:Classification, using the Titanic datasetCleaning data and dealing with missing dataExploratory data analysisCommon preprocessing steps using sample dataSelecting features useful to the modelModel selectionMetrics and classification evaluationRegression examples using k-nearest neighbor, decision trees, boosting, and moreMetrics for regression evaluationClusteringDimensionality reductionScikit-learn pipelines

With detailed notes, tables, and examples, this handy reference will help you navigate the basics of structured machine learning. Author Matt Harrison delivers a valuable guide that you can use for additional support during training and as a convenient resource when you dive into your next machine learning project. Ideal for programmers, data scientists, and AI engineers, this book includes an overview of the machine learning process and walks you through classification with structured data. You??ll also learn methods for clustering, predicting a continuous value (regression), and reducing dimensionality, among other topics. This pocket reference includes sections that

With detailed notes, tables, and examples, this handy reference will help you navigate the basics of structured machine learning. Author Matt Harrison delivers a valuable guide that you can use for additional support during training and as a convenient resource when you dive into your next machine learning project. Ideal for programmers, data scientists, and AI engineers, this book includes an overview of the machine learning process and walks you through classification with structured data. You'll also learn methods for clustering, predicting a continuous value (regression), and reducing dimensionality, among other topics. -- Provided by publisher

A Quick Guide to Structured Machine Learning Techniques

2024-10-03