Uczenie maszynowe dla początkujących - wydanie 2

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Machine Learning for Beginners - 2nd Edition

Zawartość książki:

Dowiedz się, jak zbudować kompletny potok uczenia maszynowego, opanowując ekstrakcję cech, wybór cech i szkolenie algorytmów.

Kluczowe cechy

Solidne zrozumienie podstawowych zasad uczenia maszynowego.

Opanowanie metod regresji i klasyfikacji w celu dokładnego przewidywania i kategoryzacji danych w uczeniu maszynowym.

Zagłębienie się w zaawansowane tematy uczenia maszynowego, w tym uczenie bez nadzoru i uczenie głębokie.

Opis

Drugie wydanie „Machine Learning for Beginners” omawia kluczowe koncepcje i tematy związane z uczeniem maszynowym.

Książka rozpoczyna się od wprowadzenia do podstawowych zasad uczenia maszynowego, po którym następuje dyskusja na temat wstępnego przetwarzania danych. Następnie zagłębia się w ekstrakcję i selekcję cech, zapewniając kompleksowe omówienie różnych technik, takich jak transformata Fouriera, krótkotrwała transformata Fouriera i lokalne wzorce binarne. W dalszej części książki omówiono analizę składowych głównych i liniową analizę dyskryminacyjną. Następnie książka obejmuje tematy reprezentacji modelu, szkolenia, testowania i walidacji krzyżowej. Kładzie nacisk na regresję i klasyfikację, wyjaśniając i wdrażając metody takie jak zejście gradientowe. Szczegółowo omówiono również podstawowe techniki klasyfikacji, w tym k-najbliższych sąsiadów, regresję logistyczną i naiwnego Bayesa. Następnie książka przedstawia przegląd sieci neuronowych, w tym ich biologiczne tło, ograniczenia perceptronu i model propagacji wstecznej. Omówiono także maszyny wektorów nośnych i metody jądrowe. Omówiono także drzewa decyzyjne i modele zespołowe. Ostatnia część książki zapewnia wgląd w nienadzorowane uczenie się i głębokie uczenie się, oferując czytelnikom kompleksowy przegląd tych zaawansowanych tematów.

Pod koniec książki będziesz dobrze przygotowany do odkrywania i stosowania uczenia maszynowego w różnych rzeczywistych scenariuszach.

Czego się nauczysz

Nabyć umiejętności skutecznego przygotowywania danych do zadań uczenia maszynowego.

Nauczyć się implementować algorytmy uczenia maszynowego od podstaw.

Wykorzystać moc scikit-learn do efektywnej implementacji popularnych algorytmów.

Zapoznanie się z różnymi metodami selekcji i ekstrakcji cech.

Dowiedz się, jak zaimplementować algorytmy klastrowania.

Dla kogo przeznaczona jest ta książka

Ta książka jest przeznaczona zarówno dla studentów studiów licencjackich i podyplomowych z zakresu informatyki, jak i profesjonalistów, którzy chcą przejść do urzekającej sfery uczenia maszynowego, zakładając podstawową znajomość języka Python.

Spis treści

Rozdział I: Podstawy

1. Wprowadzenie do uczenia maszynowego

2. Początek: Wstępne przetwarzanie danych

3. Wybór cech

4. Ekstrakcja cech

5. Opracowanie modelu

Sekcja II: Uczenie nadzorowane

6. Regresja

7. K-najbliżsi sąsiedzi

8. Klasyfikacja: Regresja logistyczna i klasyfikator Naiwnego Bayesa

9. Sieć neuronowa I: Perceptron

10. Sieć neuronowa II: Perceptron wielowarstwowy

11. Maszyny wektorów nośnych

12. Drzewa decyzyjne

13. Wprowadzenie do uczenia zespołowego

Sekcja III: Uczenie bez nadzoru i uczenie głębokie

14. Klasteryzacja

15. Uczenie głębokie

Dodatek 1: Słowniczek

Dodatek 2: Metody/techniki

Dodatek 3: Ważne wskaźniki i formuły

Dodatek 4: Wizualizacja - Matplotlib

Odpowiedzi na pytania wielokrotnego wyboru

Bibliografia