Data Science i uczenie maszynowe

2 oceny

Format:

mobi, epub, ibuk

DODAJ DO ABONAMENTU

WYBIERZ RODZAJ DOSTĘPU

49,70  71,00

Format: epub, mobi

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em

49,7071,00

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 19,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

Książka przedstawia uczenie maszynowe w ujęciu praktycznym. Przeprowadzając opisane w niej eksperymenty data science poznamy zastosowanie reguł statystycznych i algorytmów uczenia maszynowego do rozwiązywania konkretnych problemów. Takie podejście oznacza, że studenci informatyki oraz specjaliści — analitycy, informatycy i bazodanowcy — zdobędą nie tylko teoretyczną wiedzę, ale również umiejętność jej praktycznego wykorzystania w codziennej pracy.


Liczba stron400
WydawcaWydawnictwo Naukowe PWN
ISBN-13978-83-01-19324-9
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyRavelo Sp. z o.o.

EBOOKI WYDAWCY

Ciekawe propozycje

Spis treści

[]. Uczenie maszynowe jako element eksperymentów data science    1
    1.1. Eksploracja danych jako technika wspomagania decyzji    2
    1.2. Modelowanie    4
    1.3. Wiedza i proces uczenia    6
    1.4. Hipotezy    9
    1.5. Założenia eksperymentu data science    10
    1.6. Dwa typy analiz    12
    1.7. Data science jako metoda naukowa    12
    1.8. Przykładowy eksperyment – optymalizacja kampanii marketingowej    14
      1.8.1. Zrozumienie problemu i określenie celów eksperymentu    15
      1.8.2. Zrozumienie danych    16
      1.8.3. Wstępne przetwarzanie danych    17
      1.8.4. Modelowanie    18
      1.8.5. Ocena    18
      1.8.6. Wdrożenie    20
    Podsumowanie    23
  2. Ocena przydatności danych    25
    2.1. Dane źródłowe    26
    2.2. Zmienne    27
      2.2.1. Rozkład częstości zmiennych    30
      2.2.2. Graficzna prezentacja danych    42
      2.2.3. Korelacje (związki między zmiennymi)    44
    2.3. Reprezentatywność danych    50
    2.4. Duplikaty    54
    2.5. Szeregi czasowe    56
    Podsumowanie    63
  3. Wstępne przetwarzanie danych    65
    3.1. Uzupełnianie brakujących danych    66
    3.2. Poprawianie błędnych danych    71
    3.3. Zmienne numeryczne    71
      3.3.1. Instalowanie dodatkowych bibliotek R w Azure ML    72
      3.3.2. Wartości nietypowe (odstające)    73
      3.3.3. Normalizacja    75
      3.3.4. Dyskretyzacja    77
    3.4. Zmienne kategoryczne    78
      3.4.1. Problem jakości danych tekstowych    79
      3.4.2. Uogólnienie (generalizacja)    80
      3.4.3. Numerowanie stanów    81
      3.4.4. Zmienne porządkowe    83
    3.5. Szeregi czasowe    83
    3.6. Wyrażenia języka naturalnego    89
    3.7. Redukcja wymiarów    94
      3.7.1. Usuwanie zmiennych na podstawie ich zdolności predykcyjnych    95
      3.7.2. Analiza głównych składowych (PCA)    97
    Podsumowanie    99
  4. Wzbogacanie danych    101
    4.1. Równoważenie danych    102
      4.1.1. Usunięcie części przykładów większościowych    103
      4.1.2. Nadpróbkowanie    104
    4.2. Zmienne wyliczeniowe    106
    4.3. Zastąpienie zmiennych wspólnym rozkładem prawdopodobieństwa    108
    4.4. Wydzielenie danych testowych    111
      4.4.1. Szeregi czasowe    115
      4.4.2. Modele rekomendujące    116
      4.4.3. Modele wykrywania oszustw    116
    4.5. Wzorzec eksperymentu data science    116
    Podsumowanie    117
  5. Klasyfikacja    119
    5.1. Klasyfikacja poprzez indukcję drzew decyzyjnych    121
      5.1.1. Drzewa decyzyjne – definicja    121
      5.1.2. Pojedyncze drzewa decyzyjne    124
      5.1.3. Kombinacje drzew decyzyjnych    126
    5.2. Klasyfikacja z użyciem maszyny wektorów nośnych    141
      5.2.1. Przetwarzanie języka naturalnego przy użyciu maszyny wektorów nośnych    143
      5.2.2. Modele maszyny wektorów nośnych i lokalnie głębokiej maszyny wektorów nośnych    152
    5.3. Klasyfikacja probabilistyczna    153
      5.3.1. Sieć Bayesa    157
      5.3.2. Maszyna punktów Bayesa    159
    5.4. Inne klasyfikatory dostępne w Studiu Azure ML    161
      5.4.1. Inne klasyfikatory – omówienie    161
      5.4.2. Modele eksploracji danych w języku R    163
    5.5. Klasyfikatory binarne a klasyfikacja wieloklasowa    164
    5.6. Wykrywanie oszustw jako przykład klasyfikacji binarnej    167
      5.6.1. Oznaczenie obserwacji    167
      5.6.2. Zrównoważenie danych i wydzielenie danych testowych    169
      5.6.3. Wzbogacenie danych    169
    Podsumowanie    172
  6. Regresja    173
    6.1. Model regresji wielorakiej    179
      6.1.1 Wieloraka regresja liniowa    181
      6.1.2. Estymacja bayesowska modelu regresji liniowej    183
    6.2. Zmienne kategoryczne w modelach regresji    185
      6.2.1. Regresja Poissona    186
      6.2.2. Regresja porządkowa    188
    6.3. Regresja kwantylowa    188
    6.4. Regresja poprzez indukcję drzew decyzyjnych    191
    6.5. Sztuczne sieci neuronowe    193
      6.5.1. Perceptron    198
      6.5.2. Sieci neuronowe a regresja    200
      6.5.3. Metody minimalizacji błędu    202
      6.5.4. Wsteczna propagacja błędów    203
      6.5.5. Regresja z użyciem sieci neuronowej    205
      6.5.6. Głębokie sieci neuronowe    209
    Podsumowanie    218
  7. Grupowanie (analiza skupień)    221
    7.1. Na czym polega grupowanie    221
    7.2. Algorytmy grupowania    225
      7.2.1. Grupowanie hierarchiczne    226
      7.2.2. Grupowanie iteracyjno-optymalizacyjne    231
    7.3. Grupowanie w celu znajdowania podobnych obiektów    236
    7.4. Grupowanie w celu kompresji    239
    7.5. Wykrywanie anomalii    240
    Podsumowanie    244
  8. Rekomendowanie    245
    8.1. Systemy rekomendujące    245
    8.2. Odkrywanie asocjacji    250
    8.3. Model Matchbox Recommender    258
      8.3.1. Rekomendowanie przez filtrowanie kolektywne    258
      8.3.2. Rekomendowanie przez filtrowanie cech przedmiotów i użytkowników (hybrydowe)    267
    Podsumowanie    269
  9. Prognozowanie    271
    9.1. Szeregi czasowe    272
    9.2. Naiwne metody prognozowania    274
    9.3. Modele średniej ważonej    274
    9.4. Modele ARIMA    283
    9.5. Modele nieliniowe    288
    9.6. Prognozowanie w Studiu Azure ML    290
    Podsumowanie    292
  10. Ocena i poprawa jakości modeli    293
    10.1. Reguła powrotu do średniej    293
    10.2. Kryteria oceny modeli eksploracji danych    295
      10.2.1. Łatwość interpretacji    296
      10.2.2. Trafność    296
      10.2.3. Wiarygodność    297
      10.2.4. Wydajność i skalowalność    297
      10.2.5. Przydatność    297
    10.3. Ocena jakości modeli klasyfikacyjnych    298
      10.3.1. Moduł Evaluate Model    298
      10.3.2. Macierz pomyłek    299
      10.3.3. Krzywa ROC    302
      10.3.4. Wykres precyzja w funkcji czułości i wykres zysku    304
      10.3.5. Trafność klasyfikacji    305
      10.3.6. Klasyfikatory wieloklasowe    307
    10.4. Ocena jakości modeli regresyjnych    308
      10.4.1. Miary oceny modeli    308
      10.4.2. Walidacja krzyżowa    310
    10.5. Ocena jakości modeli grupujących    313
    10.6. Ocena jakości modeli rekomendujących    315
    10.7. Ocena jakości modeli prognozujących    317
    10.8. Porównanie jakości modeli    322
    10.9. Poprawa jakości modeli    326
      10.9.1. Automatyczna poprawa jakości modeli uczenia nadzorowanego    326
      10.9.2. Znalezienie optymalnej liczby klastrów    330
      10.10. Cykl życia eksperymentu data science    333
    Podsumowanie    334
  11. Publikacja modeli eksploracji danych jako usług WWW    339
    11.1. Wzorcowy eksperyment data science    340
    11.2. Predykcyjne usługi WWW    345
      11.2.1. Zapytania predykcyjne ad-hoc    348
      11.2.2. Wsadowe zapytania predykcyjne    349
  Podsumowanie    352
  Bibliografia    353
  Dodatek A    361
  Dodatek B    367
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia