Nauka o danych w języku laika: Uczenie maszynowe

Oryginalny tytuł:

Data Science in Layman's Terms: Machine Learning

Zawartość książki:

Uczenie maszynowe jest jedną z najszybciej rozwijających się dziedzin w ciągu ostatniej dekady. Maszyny, które potrafią się uczyć, stają się częścią naszego codziennego życia. Maszyny, które wykazują inteligencję i zdolność uczenia się, są zasilane przez matematykę i algorytmy. Tematy te nie muszą być trudne. Ta książka uczy podstawowego zrozumienia wszystkiego, co wiąże się z uczeniem maszynowym, dzięki czemu początkujący lub średnio zaawansowani naukowcy zajmujący się danymi mogą poszerzyć swoje umiejętności, a dociekliwi intelektualiści mogą zrozumieć tę dziedzinę.

Ta książka zawiera kompletny przegląd uczenia maszynowego. Opiera się na informacjach przedstawionych w jej poprzedniku, Data Science in Layman's Terms: Statistics. Książka zachowuje równowagę między łatwym w czytaniu samouczkiem a intensywnym podręcznikiem teoretycznym, najpierw przedstawiając koncepcje na wysokim poziomie, a następnie zagłębiając się w szczegóły i matematykę. Każdemu rozdziałowi towarzyszą praktyczne przykłady w Pythonie i R, jeśli ma to zastosowanie. Materiał w pierwszej połowie książki jest ułożony liniowo, gdzie każdy rozdział opiera się na wiedzy z poprzednich rozdziałów. W drugiej połowie książki omówiono poddziedziny uczenia maszynowego, takie jak przetwarzanie języka naturalnego, wizja komputerowa, uczenie ze wzmocnieniem i nauka o sieciach.

Niektóre z praktycznych zastosowań, których nauczysz się z tej książki, to:

- Skonstruować symulowanego agenta, który gra w gry bez żadnych instrukcji i obserwować, jak uczy się grać samodzielnie.

- Zastosować rozpoznawanie twarzy do zdjęć i filmów w czasie rzeczywistym.

- Przeprowadzić analizę koszyka rynkowego i grupowanie w celu poprawy skuteczności marketingu lub poprawy doświadczenia zakupowego klienta.

- Identyfikacja podobnych utworów muzycznych na podstawie samego dźwięku.

- Generowanie realistycznie wyglądających twarzy postaci anime.

- Identyfikowanie abstrakcyjnych tematów w dokumentach tekstowych i analizowanie, jak nastroje dotyczące różnych tematów zmieniają się w czasie.

- Przewidywanie par osób, które mogą wkrótce połączyć się w sieci społecznościowej i badanie, jak sieci zmieniają się w czasie.

- Konwertowanie skanów lub obrazów dokumentów na tekst.

- Dowiedz się, jak budować sieci neuronowe za pomocą Keras i jak sprawdzać je za pomocą TensorBoard, aby określić, w jaki sposób można je ulepszyć.

Repozytorium GitHub towarzyszące tej książce można znaleźć pod adresem: https: //github.com/nlinc1905/dsilt-ml-code.