Praktyczne uczenie maszynowe

1 opinia

Format:

epub, mobi, 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

Ostatnia dekada to czas bezprecedensowego rozwoju sztucznej inteligencji – nie tylko przełomowych badań nad algorytmami uczenia maszynowego, ale również coraz powszechniejszego stosowania inteligentnych maszyn w najróżniejszych dziedzinach naszego życia. Rozwój ten ogranicza niewystarczająca liczba specjalistów, łączących znajomość modelowania danych (przygotowania danych i zasad działania algorytmów uczenia maszynowego) ze znajomością języków analizy danych, takich jak SQL, R czy Python.
Inżynieria danych (ang. data science) to interdyscyplinarna wiedza, której opanowanie wymaga znajomości algebry, geometrii, statystyki, rachunku prawdopodobieństwa i algorytmiki, uzupełnionej o praktyczną umiejętność programowania. Co więcej, sztuczna inteligencja jest przedmiotem intensywnych badań naukowych i samo śledzenie postępów w tej dziedzinie wiąże się z regularnym (codziennym) dokształcaniem.
Niniejsza książka łączy w sobie teorię z praktyką. Opisuje rozwiązania kilkunastu typowych problemów, takich jak prognozowanie zysków, optymalizacja kampanii marketingowej, proaktywna konserwacja sprzętu czy oceny ryzyka kredytowego. Ich układ jest celowy – każdy przykład jest okazją do wyjaśnienia określonych zagadnień, zaczynając od narzędzi, przez podstawy uczenia maszynowego, sposoby oceny jakości danych i ich przygotowania do dalszej analizy, zasady tworzenia modeli uczenia maszynowego i ich optymalizacji, po wskazówki dotyczące wdrożenia gotowych modeli do produkcji.
Książka jest adresowana do wszystkich, którzy chcieliby poznać lub udoskonalić:
praktyczną znajomość statystki i umiejętność wizualizacji danych niezbędnej do oceny jakości danych; praktyczną znajomość języka SQL, R lub Python niezbędnej do uporządkowania, wstępnego przygotowania i wzbogacenia danych; zasady działania poszczególnych algorytmów uczenia maszynowego koniecznych do ich wyboru i optymalizacji; korzystanie z języka R lub Python do stworzenia, oceny, zoptymalizowania i wdrożenia do produkcji modeli eksploracji danych. Zarówno studenci kierunków informatycznych, jak również analitycy, programiści, administratorzy baz danych oraz statystycy znajdą w książce informacje, które pozwolą im opanować praktyczne umiejętności potrzebne do samodzielnego tworzenia systemów uczenia maszynowego.


Liczba stron360
WydawcaWydawnictwo Naukowe PWN
ISBN-13978-83-01-20784-7
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyRavelo Sp. z o.o.

INNE EBOOKI AUTORA

Ciekawe propozycje

Spis treści

  Od autora IX
    Sztuczna inteligencja    1
  O książce 7
    Dla kogo jest ta    7
    Narzędzia    8
    Przykłady    9
    Bibliografia    10
    Konwencje i oznaczenia    10
  1. Narzędzia 11
    1.1. Język Python    12
    1.2. Język R    12
      1.2.1. Microsoft R Open (MRO)    14
      1.2.2. Microsoft R Client (MRC)    14
      1.2.3. Microsoft Machine Learning Server (MLS)    15
    1.3. SQL Server 2019    15
      1.3.1. Instalacja    16
      1.3.2. Microsoft SQL Server Machine Learning Services    20
      1.3.3. Bezpieczeństwo    29
      1.3.4. Wydajność    32
    1.4. PyCharm Community Edition    39
    1.5. RStudio Desktop    40
    1.6. Instalacja dodatkowych pakietów    42
    1.7. Power BI Desktop    46
  2. Praca z SQL Server Machine Learning Services 47
    2.1. Wykrywanie oszustw    47
    2.2. Klasyfikacja przejazdów    56
    2.3. Dodatkowe funkcjonalności serwera SQL Server i usługi SQL Machine Learning Services    67
      2.3.1. Zapytania predykcyjne czasu rzeczywistego    67
      2.3.2. Natywne zapytania predykcyjne    69
      2.3.3. Tworzenie modeli dla partycji danych    70
  3. Wstęp do uczenia maszynowego 75
    3.1. Rodzaje uczenia maszynowego    76
    3.2. Proces uczenia    78
    3.3. Modele regresji    84
    3.4. Modele partycjonujące    98
    3.5. Metodyka CRISP-DM    115
    3.6. Metodyka TDSP    117
  4. Zrozumienie danych    119
    4.1. Poznanie danych wymaga zrozumienia postawionego problemu    120
    4.2. Statystyki opisowe    121
      4.2.1. Zmienne numeryczne    123
      4.2.2. Zmienne kategoryczne    133
    4.3. Brakujące dane    134
    4.4. Entropia    135
    4.5. Ocena zmiennych za pomocą programu Power BI    136
    4.6. Ocena zmiennych przy użyciu języka SQL    138
      4.6.1. Automatyczny opis zmiennych    143
    4.7. Wizualizacja zmiennych    147
    4.8. Reprezentatywność danych    151
    4.9. Korelacje między zmiennymi    153
      4.9.1. Klątwa wymiarowości    154
      4.9.2. Ocena przydatności zmiennych    157
      4.9.3. Dwie zmienne numeryczne    158
      4.9.4. Dwie zmienne kategoryczne    160
      4.9.5. Dwie zmienne porządkowe    161
      4.9.6. Zmienna kategoryczna i numeryczna    162
      4.9.7. Korelacja oznacza współwystępowanie, a nie związek przyczynowo-skutkowy    163
    4.10. Ocena korelacji za pomocą programu Power BI    164
    4.11. Ocena korelacji przy użyciu języka SQL    166
  5. Przygotowanie danych 169
    5.1. Uporządkowanie danych    171
    5.2. Wzbogacanie danych    176
      5.2.1. Data i czas    182
    5.3. Wyczyszczenie danych    183
      5.3.1. Usuwanie brakujących wartości    183
      5.3.2. Usuwanie duplikatów    186
      5.3.3. Usuwanie błędnych danych    187
      5.3.4. Usuwanie wartości odstających    188
    5.4. Przekształcenie danych    190
      5.4.1. Kodowanie    190
      5.4.2. Generalizacja    193
      5.4.3. Zaokrąglanie    195
      5.4.4. Dyskretyzacja    195
      5.4.5. Skalowanie    198
      5.4.6. Wygładzanie    201
    5.5. Redukcja danych    208
      5.5.1. Selekcja zmiennych    208
      5.5.2. Analiza składowych głównych    210
      5.5.3. Wybór zmiennych przydatnych dla modelu    214
    5.6. Podział danych    215
      5.6.1. Podział warstwowy    216
      5.6.2. Równoważenie danych    217
      5.6.3. k-krotna walidacja krzyżowa    219
    5.7. Danych walidacyjnych używa się do optymalizacji, a nie do oceny modeli    222
    5.8. Kto miał szansę przeżyć katastrofę Titanica?    223
  6. Analiza skupień    235
    6.1. Grupowanie w celu zmniejszenia liczby przykładów    236
    6.2. Algorytmy iteracyjno-optymalizacyjne    238
    6.3. Segmentacja    245
  7. Regresja 255
    7.1. Zrozumienie problemu    255
    7.2. Zrozumienie danych    257
    7.3. Opisanie danych    263
    7.4. Ocena przydatności danych    266
    7.5. Wzbogacenie danych    267
    7.6. Ocena zmiennych    268
    7.7. Przekształcenie i wybór danych    269
    7.8. Modelowanie    272
      7.8.1. Uczenie na błędach    273
      7.8.2. Regresja liniowa    280
      7.8.3. Ogólny model liniowy GLM    285
      7.8.4. Sztuczne sieci neuronowe    288
      7.8.5. Drzewa regresyjne    305
      7.8.6. Kombinacje modeli    309
    7.9. Porównanie modeli    310
    7.10. Wdrożenie modeli po stronie serwera SQL    314
  8. Klasyfikacja 319
    8.1. Klasyfikacja binarna    320
      8.1.1. Przygotowanie danych    321
      8.1.2. Regresja logistyczna    323
      8.1.3. Sztuczne sieci neuronowe    329
      8.1.4. Klasyfikacja przez indukcję drzew decyzyjnych    334
      8.1.5. Kombinacje modeli    346
      8.1.6. Porównanie modeli    350
      8.1.7. Wdrożenie modeli po stronie serwera SQL    354
    8.2. Klasyfikacja wieloklasowa    358
      8.2.1. Przygotowanie danych    361
      8.2.2. Regresja logistyczna    363
      8.2.3. Sztuczne sieci neuronowe    366
      8.2.4. Klasyfikacja przez indukcję drzew decyzyjnych    369
      8.2.5. Porównanie modeli    375
      8.2.6. Wdrożenie modeli po stronie serwera SQL    377
  9. Ocena modeli 383
    9.1. Nie ma darmowego lunchu    384
    9.2. Błędy modeli predykcyjnych    385
      9.2.1. Błąd systematyczny i błąd aproksymacji    387
    9.3. Kryteria oceny modeli regresji    390
      9.3.1. Średni błąd bezwzględny    391
      9.3.2. Pierwiastek błędu średniokwadratowego    391
      9.3.3. Znormalizowany błąd bezwzględny    392
      9.3.4. Znormalizowany błąd kwadratowy    392
      9.3.5. Współczynnik determinacji R2    393
      9.3.6. Ocena modelu prognozującego pozostały czas bezawaryjnej pracy urządzeń    393
    9.4. Kryteria oceny modeli klasyfikacji binarnej    398
      9.4.1. Macierz błędów    399
      9.4.2. Trafność    400
      9.4.3. Precyzja    401
      9.4.4. Czułość    401
      9.4.5. F-miara    402
      9.4.6. Współczynnik Kappa Cohena    402
      9.4.7. Krzywa ROC i obszar pod krzywą    403
      9.4.8. Ocena modelu klasyfikującego urządzenia jako wymagające lub niewymagające przeglądu    404
    9.5. Kryteria oceny modeli klasyfikacji wieloklasowej    413
      9.5.1. Macierz błędów    413
      9.5.2. Metryki klasy większościowej    414
      9.5.3. Metryki poszczególnych klas    414
      9.5.4. Średnie makro    415
      9.5.5. Średnie mikro    416
    9.6. Ocena modelu klasyfikującego urządzenia do przeglądu    417
    9.7. Interpretacja predykcji    423
  10. Optymalizacja i wdrożenie modeli 427
    10.1. Zrozumienie problemu    427
    10.2. Zrozumienie i przygotowanie danych    428
      10.2.1. Import danych    429
      10.2.2. Ocena danych    434
    10.3. Modelowanie    442
    10.4. Optymalizacja    446
    10.5. Wdrożenie    452
      10.5.1. Analiza typu Co by było, gdyby?    456
  Posłowie    461
  Bibliografia    463
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