SOWA OPAC : Wojewódzka i Miejska Biblioteka Publiczna w RzeszowieKatalog centralny

1 wynik

Książka

W koszyku

oceń

(Technologia i rozwiązania)

Autor

Raschka Sebastian. Sawka Krzysztof.

Forma i typ

Książki Publikacje fachowe

Temat

Algorytmy Przetwarzanie danych Python (język programowania) Sieci neuronowe Uczenie się maszyn

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: "Python machine learning" 2016.

Na stronie tytułowej także wydawca oryginału: Packt Publishing.

Indeks.

ROZDZIAŁ 1. UMOŻLIWIANIE KOMPUTEROM UCZENIA SIĘ Z DANYCH: Tworzenie inteligentnych maszyn służących do przekształcania danych w wiedzę ; Trzy różne rodzaje uczenia maszynowego ; Wprowadzenie do podstawowej terminologii i notacji ; Strategia tworzenia systemów uczenia maszynowego ; Wykorzystywanie środowiska Python do uczenia maszynowego. ROZDZIAŁ 2. TRENOWANIE ALGORYTMÓW UCZENIA MASZYNOWEGO W CELACH KLASYFIKACJI: Sztuczne neurony - rys historyczny początków uczenia maszynowego ; Implementacja algorytmu uczenia perceptronu w Pythonie ; Adaptacyjne neurony liniowe i zbieżność uczenia. ROZDZIAŁ 3. STOSOWANIE KLASYFIKATORÓW UCZENIA MASZYNOWEGO ZA POMOCĄ BIBLIOTEKI SCIKIT-LEARN: Wybór algorytmu klasyfikującego ; Pierwsze kroki z biblioteką scikit-learn ; Modelowanie prawdopodobieństwa przynależności do klasy za pomocą regresji logistycznej ; Wyznaczanie maksymalnego marginesu za pomocą maszyn wektorów nośnych ; Rozwiązywanie nieliniowych problemów za pomocą jądra SVM ; Uczenie drzew decyzyjnych ; Algorytm k-najbliższych sąsiadów - model leniwego uczenia. ROZDZIAŁ 4. TWORZENIE DOBRYCH ZBIORÓW UCZĄCYCH - WSTĘPNE PRZETWARZANIE DANYCH: Kwestia brakujących danych ; Przetwarzanie danych kategoryzujących ; Rozdzielanie zestawu danych na oddzielne podzbiory uczące i testowe ; Skalowanie cech ; Dobór odpowiednich cech ; Ocenianie istotności cech za pomocą algorytmu losowego lasu. ROZDZIAŁ 5. KOMPRESJA DANYCH POPRZEZ REDUKCJĘ WYMIAROWOŚCI: Nienadzorowana redukcja wymiarowości za pomocą analizy głównych składowych ; Nadzorowana kompresja danych za pomocą liniowej analizy dyskryminacyjnej ; Jądrowa analiza głównych składowych jako metoda odwzorowywania nierozdzielnych liniowo klas. ROZDZIAŁ 6. NAJLEPSZE METODY OCENY MODELU I STROJENIE PARAMETRYCZNE: Usprawnianie cyklu pracy za pomocą kolejkowania ; Stosowanie k-krotnego sprawdzianu krzyżowego w ocenie skuteczności modelu ; Sprawdzanie algorytmów za pomocą krzywych uczenia i krzywych walidacji ; Dostrajanie modeli uczenia maszynowego za pomocą metody przeszukiwania siatki ; Przegląd metryk oceny skuteczności. ROZDZIAŁ 7. ŁĄCZENIE RÓŻNYCH MODELI W CELU UCZENIA ZESPOŁOWEGO: Uczenie zespołów ; Implementacja prostego klasyfikatora wykorzystującego głosowanie większościowe ; Ewaluacja i strojenie klasyfikatora zespołowego ; Agregacja - tworzenie zespołu klasyfikatorów za pomocą próbek początkowych ; Usprawnianie słabych klasyfikatorów za pomocą wzmocnienia adaptacyjnego. ROZDZIAŁ 8. WYKORZYSTYWANIE UCZENIA MASZYNOWEGO W ANALIZIE SENTYMENTÓW: Zestaw danych IMDb movie review ; Wprowadzenie do modelu worka słów ; Uczenie modelu regresji logistycznej w celu klasyfikowania tekstu ; Praca z większą ilością danych - algorytmy sieciowe i uczenie pozardzeniowe. ROZDZIAŁ 9. WDRAŻANIE MODELU UCZENIA MASZYNOWEGO DO APLIKACJI SIECIOWEJ: Serializacja wyuczonych estymatorów biblioteki scikit-learn ; Konfigurowanie bazy danych SQLite ; Tworzenie aplikacji sieciowej za pomocą środowiska Flask ; Nasza pierwsza aplikacja sieciowa ; Umieszczanie aplikacji sieciowej na publicznym serwerze. ROZDZIAŁ 10. PRZEWIDYWANIE CIĄGŁYCH ZMIENNYCH DOCELOWYCH ZA POMOCĄ ANALIZY REGRESYWNEJ: Wprowadzenie do prostego modelu regresji liniowej ; Zestaw danych Housing ; Implementacja modelu regresji liniowej wykorzystującego zwykłą metodę najmniejszych kwadratów ; Uczenie odpornego modelu regresywnego za pomocą algorytmu RANSAC ; Ocenianie skuteczności modeli regresji liniowej ; Stosowanie regularyzowanych metod regresji ; Przekształcanie modelu regresji liniowej w krzywą - regresja wielomianowa. ROZDZIAŁ 11. PRACA Z NIEOZNAKOWANYMI DANYMI - ANALIZA SKUPIEŃ: Grupowanie obiektów na podstawie podobieństwa przy użyciu algorytmu centroidów ; Organizowanie skupień do postaci drzewa klastrów ; Wyznaczanie rejonów o dużej gęstości za pomocą algorytmu DBSCAN. ROZDZIAŁ 12. TRENOWANIE SZTUCZNYCH SIECI NEURONOWYCH W ROZPOZNAWANIU OBRAZU: Modelowanie złożonych funkcji przy użyciu sztucznych sieci neuronowych ; Klasyfikowanie pisma odręcznego ; Trenowanie sztucznej sieci neuronowej ; Ujęcie intuicyjne algorytmu wstecznej propagacji ; Usuwanie błędów w sieciach neuronowych za pomocą sprawdzania gradientów ; Zbieżność w sieciach neuronowych ; Inne architektury sieci neuronowych ; Jeszcze słowo o implementacji sieci neuronowej. ROZDZIAŁ 13. RÓWNOLEGŁE PRZETWARZANIE SIECI NEURONOWYCH ZA POMOCĄ BIBLIOTEKI THEANO: Tworzenie, kompilowanie i uruchamianie wyrażeń w interfejsie Theano ; Dobór funkcji aktywacji dla jednokierunkowych sieci neuronowych ; Skuteczne uczenie sieci neuronowych za pomocą biblioteki Keras.

aktualnie wypożyczona

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia Główna dla dor. i mł. od 15 r. ż. (Dąbrowskiego 33a)

Wszystkie egzemplarze są obecnie wypożyczone: sygn. WG-004.4 (1 egz.)