ODBIERZ TWÓJ BONUS :: »

Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II Kyle Gallatin, Chris Albon

Autorzy:
Kyle Gallatin, Chris Albon
Serie wydawnicze:
Receptury
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
5.3/6  Opinie: 3
Stron:
398
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi
Czytaj fragment
Książka
57,84 zł 89,00 zł (-35%)
53,40 zł najniższa cena z 30 dni
(2za1 » dobierz książkę GRATIS)

Dodaj do koszyka Wysyłamy w 24h

Ebook
48,95 zł 89,00 zł (-45%)
39,90 zł najniższa cena z 30 dni
(2za1 » dobierz ebook GRATIS)

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Czego się nauczysz?

  • Tworzenia i przetwarzania wektorów, macierzy oraz tablic NumPy
  • Wczytywania i przygotowywania danych z różnych źródeł i formatów (CSV, Excel, JSON, bazy danych, S3)
  • Przetwarzania i czyszczenia danych, w tym obsługi brakujących i powielonych wartości
  • Skalowania, standaryzowania i transformowania cech liczbowych
  • Kodowania danych kategorycznych oraz obsługi niezrównoważonych klas
  • Przetwarzania tekstu: tokenizacji, stemmingu, analizy sentymentu i ekstrakcji cech tekstowych
  • Obsługi danych daty i godziny, w tym konwersji, agregacji i tworzenia cech czasowych
  • Przetwarzania i analizy obrazów: wczytywania, modyfikacji, ekstrakcji cech oraz klasyfikacji
  • Redukcji wymiarowości danych za pomocą wyodrębniania i wyboru cech
  • Oceny i wizualizacji wydajności modeli uczenia maszynowego
  • Wybierania i optymalizacji modeli z użyciem wyszukiwania siatki, losowego i automatyzacji
  • Budowania modeli regresji liniowej i logistycznej oraz ich regularyzacji
  • Trenowania i interpretacji drzew decyzyjnych, losowych lasów oraz modeli boostingowych
  • Implementacji algorytmu k najbliższych sąsiadów oraz maszyn wektorów nośnych
  • Klasteryzacji danych z użyciem k-średnich, DBSCAN, meanshift i hierarchicznego łączenia
  • Projektowania, trenowania i dostrajania sieci neuronowych w PyTorch dla danych ustrukturyzowanych i nieustrukturyzowanych
  • Zapisywania, wczytywania i udostępniania wytrenowanych modeli w scikit-learn, TensorFlow i PyTorch

W ciągu ostatnich lat techniki uczenia maszynowego rozwijały się z niezwykłą dynamiką, rewolucjonizując pracę w różnych branżach. Obecnie do uczenia maszynowego najczęściej używa się Pythona i jego bibliotek. Znajomość najnowszych wydań tych narzędzi umożliwia efektywne tworzenie wyrafinowanych systemów uczących się.

Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbioru danych. W książce znajdziesz receptury przydatne do rozwiązywania szerokiego spektrum problemów, od przygotowania i wczytania danych aż po trenowanie modeli i korzystanie z sieci neuronowych. W ten sposób wyjdziesz poza rozważania teoretyczne czy też matematyczne koncepcje i zaczniesz tworzyć aplikacje korzystające z uczenia maszynowego.

Poznaj receptury dotyczące:

  • pracy z danymi w wielu formatach, z bazami i magazynami danych
  • redukcji wymiarowości, jak również oceny i wyboru modelu
  • regresji liniowej i logistycznej, drzew i lasów, a także k-najbliższych sąsiadów
  • maszyn wektorów nośnych (SVM), naiwnej klasyfikacji bayesowskiej i klasteryzacji
  • udostępniania wytrenowanych modeli za pomocą wielu frameworków

Długo szukałam książki, która spójnie przedstawiałaby algorytm ANN, hiperpłaszczyzny i wybór cech za pomocą losowego lasu. I wtedy pojawiła się ta pozycja!

Vicki Boykis, inżynier uczenia maszynowego w Duo

Wybrane bestsellery

O autorach książki

Kyle Gallatin jest inżynierem oprogramowania na platformie uczenia maszynowego w Etsy. Przez wiele lat pracował jako analityk danych, naukowiec i inżynier uczenia maszynowego.

Dr Chris Albon jest analitykiem danych i politologiem. Od ponad dziesięciu lat stosuje statystykę, sztuczną inteligencję i inne zdobycze informatyki w polityce, socjologii i przy zarządzaniu akcjami humanitarnymi. Obecnie pracuje dla Devoted Health — wykorzystuje naukę o danych i maszynowe uczenie w celu rozwiązania problemów amerykańskiego systemu ochrony zdrowia. Wcześniej był głównym analitykiem danych w kenijskim startupie BRCK .

Zobacz pozostałe książki z serii Receptury

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy książka zawiera praktyczne przykłady kodu w Pythonie do uczenia maszynowego?
Tak, książka oferuje ponad 200 gotowych receptur z kodem w Pythonie, które można łatwo skopiować, dostosować i wykorzystać w swoich projektach.
2. Jakie biblioteki Pythona są wykorzystywane w książce?
W książce znajdziesz przykłady z użyciem najnowszych wersji popularnych bibliotek, takich jak scikit-learn, TensorFlow, PyTorch, NumPy, pandas oraz narzędzi do obsługi danych i modeli.
3. Czy książka nadaje się do nauki samodzielnej, jeśli nie mam dużego doświadczenia w uczeniu maszynowym?
Tak, książka jest napisana w formie przystępnych receptur krok po kroku, dzięki czemu osoby uczące się samodzielnie mogą łatwo zrozumieć i zastosować przedstawione techniki.
4. Czy znajdę w książce przykłady dotyczące przetwarzania różnych typów danych, np. tekstu, obrazów czy danych tabelarycznych?
Tak, książka obejmuje szeroki zakres tematów, w tym przetwarzanie danych liczbowych, tekstowych, obrazów, dat oraz przygotowanie danych do modeli uczenia maszynowego.
5. Czy książka omawia zarówno klasyczne algorytmy, jak i nowoczesne metody deep learningu?
Tak, publikacja zawiera receptury dotyczące klasycznych algorytmów (regresja, drzewa, SVM, kNN, klasteryzacja) oraz zagadnienia związane z sieciami neuronowymi i deep learningiem.
6. Czy książka może być przydatna jako podręcznik podczas pracy nad własnymi projektami lub w pracy zawodowej?
Tak, dzięki praktycznemu podejściu i licznym przykładom, książka świetnie sprawdzi się jako podręczny przewodnik podczas realizacji projektów związanych z uczeniem maszynowym.
7. Czy do korzystania z książki potrzebuję specjalistycznego oprogramowania lub danych?
W większości przypadków wystarczy Python oraz popularne biblioteki open source. Książka zawiera także przykłady wykorzystujące ogólnodostępne zbiory danych oraz wskazówki, jak przygotować własne dane.
8. Czy książka obejmuje zagadnienia związane z udostępnianiem i wdrażaniem wytrenowanych modeli?
Tak, w książce znajdziesz rozdział poświęcony zapisywaniu, wczytywaniu i udostępnianiu modeli uczenia maszynowego przy użyciu różnych frameworków.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki

Zamknij

Wybierz metodę płatności

Książka
57,84 zł
Dodaj do koszyka
Ebook
48,95 zł
Dodaj do koszyka
Płatności obsługuje:
Ikona płatności Alior Bank Ikona płatności Apple Pay Ikona płatności Bank PEKAO S.A. Ikona płatności Bank Pocztowy Ikona płatności Banki Spółdzielcze Ikona płatności BLIK Ikona płatności Crédit Agricole e-przelew Ikona płatności dawny BNP Paribas Bank Ikona płatności Google Pay Ikona płatności Inteligo Ikona płatności iPKO Ikona płatności mBank Ikona płatności Millennium Ikona płatności Nest Bank Ikona płatności Paypal Ikona płatności PayPo | PayU Płacę później Ikona płatności PayU Płacę później Ikona płatności Plus Bank Ikona płatności Płacę z Citi Handlowy Ikona płatności Płacę z Getin Bank Ikona płatności Płać z BOŚ Ikona płatności Płać z ING Ikona płatności Płatność online kartą płatniczą Ikona płatności Santander Ikona płatności Visa Mobile
Bezpieczne płatności szyfrowane SSL