| Главная| Трекер| Поиск| Правила| Группы| Пользователи| Парсер |
Андреас Мюллер, Сара Гвидо - Введение в машинное обучение с помощью Python. Руководство для специалистов
|
|
Главная » Книги и журналы » Компьютерная литература » Программирование (книги) |
|
|
| Автор | Сообщение |
|---|---|
|
admin ® Статус: Не в сети Стаж: 7 лет 1 месяц Сообщений: 23734 Откуда: Россия
|
Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными
Год издания: 2017 Автор: Андреас Мюллер, Сара Гвидо Жанр или тематика: Python Издательство: Самиздат Язык: Русский Формат: PDF Качество: Издательский макет или текст (eBook) Интерактивное оглавление: Да Описание: Машинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, однако эта область не является прерогативой больших компаний с мощными аналитическими командами. Даже если вы еще новичок в использовании Python, эта книга познакомит вас с практическими способами построения систем машинного обучения. При всем многообразии данных, доступных на сегодняшний день, применение машинного обучения ограничивается лишь вашим воображением.Вы изучите этапы, необходимые для создания успешного проекта машинного обучения, используя Python и библиотеку scikit-learn. Авторы Андреас Мюллер и Сара Гвидо сосредоточили свое внимание на практических аспектах применения алгоритмов машинного обучения. Знание библиотек NumPy и matplotlib позволит вам извлечь из этой книги еще больше полезной информации.С помощью этой книги вы изучите: Фундаментальные понятия и сферы применения машинного обучения Преимущества и недостатки широко используемых алгоритмов машинного обучения Способы загрузки данных, обрабатываемых в ходе машинного обучения, включая различные аспекты работы с данными Продвинутые методы оценивания модели и тонкая настройка параметров Принципы построения конвейеров для объединения моделей в цепочки и инкапсуляции рабочего потока Методы работы с текстовыми данными Рекомендации по улучшению навыков, связанных с машинным обучением и наукой о данныхМашинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, начиная от постановки медицинского диагноза c последующим лечением и заканчивая поиском друзей в социальных сетях. Многие полагают, что машинное обучение могут использовать только крупные компании, обладающие мощными командами аналитиковВ книге «Введение в машинное обучение с помощью Python» описывается как можно самостоятельно и c удивительной легкостью построить модели машинного обучения (Machine Learning, ML). Прочитав эту книгу, вы сможете построить свою собственную систему машинного обучения, которая позволит выяснить настроения пользователей Твиттера или получить прогнозы по поводу глобального потепленияМашинное обучение заключается в извлечении знаний из данных. Это научная область, находящаяся на пересечении статистики, искусственного интеллекта и компьютерных наук и также известная как прогнозная аналитика или статистическое обучение. В последние годы применение методов машинного обучения в повседневной жизни стало обыденным явлениемКнига «Введение в машинное обучение с помощью Python» является вводной и не требует предварительных знаний в области машинного обучения или искусственного интеллектаОбласть применения машинного обучения безгранична и, учитывая все многообразие данных, имеющихся на сегодняшний день, ограничивается лишь вашим воображением ОглавлениеПРЕДИСЛОВИЕКому стоит прочитать эту книгу Почему мы написали эту книгу Структура книги Онлайн-ресурсы Типографские соглашения Использование примеров программного кода БлагодарностиГЛАВА 1. ВВЕДЕНИЕ Зачем нужно использовать машинное обучение? Задачи, которые можно решить с помощью машинного обучения Постановка задач и знакомство с данными Почему нужно использовать Python? scikit-learn Установка scikit-learn Основные библиотеки и инструменты Jupyter Notebook NumPy SciPy matplotlib pandas mglearn Сравнение Python 2 и Python 3 Версии библиотек, используемые в этой книге Первый пример: классификация сортов ириса Загружаем данные Метрики эффективности: обучающий и тестовый наборы Сперва посмотрите на Ваши данные Построение вашей первой модели: метод k ближайших соседей Получение прогнозов Оценка качества модели Выводы и перспективыГЛАВА 2. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ С УЧИТЕЛЕМ Классификация и регрессия Обобщающая способность, переобучение и недообучение Взаимосвязь между сложностью модели и размером набора данных Алгоритмы машинного обучения с учителем 45 Некоторые наборы данных Метод k ближайших соседей Линейные модели Наивные байесовские классификаторы Деревья решений Ансамбли деревьев решений Ядерный метод опорных векторов Нейронные сети (глубокое обучение) Оценки неопределенности для классификаторов Решающая функция Прогнозирование вероятностей Неопределенность в мультиклассовой классификации Выводы и перспективыГЛАВА 3. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ БЕЗ УЧИТЕЛЯ И ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ Типы машинного обучения без учителя Проблемы машинного обучения без учителя Предварительная обработка и масштабирование Различные виды предварительной обработки Применение преобразований данных Масштабирование обучающего и тестового наборов одинаковым образом Влияние предварительной обработки на машинное обучение с учителем Снижение размерности, выделение признаков и множественное обучение Анализ главных компонент (PCA) Факторизация неотрицательных матриц (NMF) Множественное обучение с помощью алгоритма t-SNE Кластеризация Кластеризация k-средних Агломеративная кластеризация DBSCAN Сравнение и оценка качества алгоритмов кластеризации Выводы по методам кластеризации Выводы и перспективыГЛАВА 4. ТИПЫ ДАННЫХ И КОНСТРУИРОВАНИЕ ПРИЗНАКОВ Категориальные переменные Прямое кодирование (дамми-переменные) Числа можно закодировать в виде категорий Биннинг, дискретизация, линейные модели и деревья Взаимодействия и полиномы Одномерные нелинейные преобразования Автоматический отбор признаков Одномерные статистики Отбор признаков на основе модели Итеративный отбор признаков Применение экспертных знаний Выводы и перспективыГЛАВА 5. ОЦЕНКА И УЛУЧШЕНИЕ КАЧЕСТВА МОДЕЛИ Перекрестная проверка Перекрестная проверка в scikit-learn Преимущества перекрестной проверки Стратифицированная k-блочная перекрестная проверка и другие стратегии Решетчатый поиск Простой решетчатый поиск Опасность переобучения параметров и проверочный набор данных Решетчатный поиск с перекрестной проверкой Метрики качества модели и их вычисление Помните о конечной цели Метрики для бинарной классификации Метрики для мультиклассовой классификации Метрики регрессии Использование метрик оценки для отбора модели Выводы и перспективыГЛАВА 6. ОБЪЕДИНЕНИЕ АЛГОРИТМОВ В ЦЕПОЧКИ И КОНВЕЙЕРЫ Отбор параметров с использованием предварительной обработки Построение конвейеров Использование конвейера, помещенного в объект GridSearchCV Общий интерфейс конвейера Удобный способ построения конвейеров с помощью функции make_pipeline Работа с атрибутами этапов Работа с атрибутами конвейера, помещенного в объект GridSearchCV Находим оптимальные параметры этапов конвейера с помощью решетчатого поиска Выбор оптимальной модели с помощью решетчатого поиска Выводы и перспективыГЛАВА 7. РАБОТА С ТЕКСТОВЫМИ ДАННЫМИ Строковые типы данных Пример применения: анализ тональности киноотзывов Представление текстовых данных в виде «мешка слов» Применение модели «мешка слов» к синтетическому набору данных Модель «мешка слов» для киноотзывов Стоп-слова Масштабирование данных с помощью tf-idf Исследование коэффициентов модели Модель «мешка слов» для последовательностей из нескольких слов (n-грамм) Продвинутая токенизация, стемминг и лемматизация Моделирование тем и кластеризация документов Латентное размещение Дирихле Выводы и перспективыГЛАВА 8. ПОДВЕДЕНИЕ ИТОГОВ Общий подход к решению задач машинного обучения Вмешательство человека в работу модели От прототипа к производству Тестирование производственных систем Создание своего собственного класса Estimator Куда двигаться дальше - Теория - Другие фреймворки и пакеты машинного обучения - Ранжирование, рекомендательные системы и другие виды обучения - Вероятностное моделирование, теория статистического вывода и вероятностное программирование - Нейронные сети - Масштабирование на больших наборах данных - Оттачивание навыков по машинному обучению в Amazon, где занимался разработкой проектов компьютерного зрения. В настоящий момент Андреас работает в Центре изучения данных Нью-Йоркского университета. Кроме того, Андреас – куратор и один из ключевых разработчиков библиотеки scikit-learn.Сара Гвидо – специалист по анализу данных, имеет большой опыт работы в стартапах, совсем недавно стала ведущим специалистом по анализу данных в компании Bitly, постоянный спикер конференций по машинному обучению. Кроме того, Сара имеет степень магистра по информатике Мичиганского университета.https://github.com/amueller/introduction_to_ml_with_python |
![[Профиль]](./styles/templates/default/images/lang/ru/icon_profile.gif "Посмотреть профиль"){kind=icon} ![[ЛС]](./styles/templates/default/images/lang/ru/icon_pm.gif "Отправить ЛС"){kind=icon} Вернуться к началу
|
![[Цитировать]](./styles/templates/default/images/lang/ru/icon_quote.gif "Ответить с цитатой"){kind=icon}
|
|
Главная » Книги и журналы » Компьютерная литература » Программирование (книги) |
Текущее время: 22-Ноя 19:50
Часовой пояс: UTC + 3
Вы не можете начинать темы
Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы можете скачивать файлы |
!ВНИМАНИЕ!
Сайт не предоставляет электронные версии произведений, а занимается лишь коллекционированием и каталогизацией ссылок, присылаемых и публикуемых на форуме нашими читателями. Если вы являетесь правообладателем какого-либо представленного материала и не желаете, чтобы ссылка на него находилась в нашем каталоге, свяжитесь с нами, и мы незамедлительно удалим ее. Файлы для обмена на трекере предоставлены пользователями сайта, и администрация не несет ответственности за их содержание. Просьба не заливать файлы, защищенные авторскими правами, а также файлы нелегального содержания!
Сайт не предоставляет электронные версии произведений, а занимается лишь коллекционированием и каталогизацией ссылок, присылаемых и публикуемых на форуме нашими читателями. Если вы являетесь правообладателем какого-либо представленного материала и не желаете, чтобы ссылка на него находилась в нашем каталоге, свяжитесь с нами, и мы незамедлительно удалим ее. Файлы для обмена на трекере предоставлены пользователями сайта, и администрация не несет ответственности за их содержание. Просьба не заливать файлы, защищенные авторскими правами, а также файлы нелегального содержания!