• Nové
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania - zdjęcie 1
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania - zdjęcie 2
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania - zdjęcie 3

Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení. 2. vydání - K. Gallatin

Index: KSZ-25310 EAN: 9788328908116
Ask a question

Druhé vydání knihy Strojové učení v Pythonu obsahuje přes 200 osvědčených receptů , které jsou založeny na nejnovějších vydáních knihoven Pythonu. Obsahují hotové kódy , které lze přizpůsobit vašim potřebám. Kniha představuje hotové příklady práce s daty v mnoha formátech, databázích a datových skladech a také mnoho dalších tipů, které se mohou hodit při řešení řady problémů, od přípravy a načítání dat až po trénovací modely a používání sítě. neurální. Publikace je vhodná pro lidi, kteří chtějí implementovat algoritmy strojového učení v praxi.

Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení. 2. vydání - K. Gallatin
321,07 Kč
305,79 Kč bez DPH.
Zkontrolujte množství
Zboží skladem
Náklad 24h
Doprava zdarma
30 dní na vrácení zboží
Zkontrolujte množství
Výrobce: Helion

‌

Popis produktu: Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení. Ed. II - Kyle Gallatin, Chris Albon

Druhé vydání knihy Strojové učení v Pythonu obsahuje přes 200 osvědčených receptů , které jsou založeny na nejnovějších vydáních knihoven Pythonu. Obsahují hotové kódy , které lze přizpůsobit vašim potřebám. Kniha představuje hotové příklady práce s daty v mnoha formátech, databázích a datových skladech a také mnoho dalších tipů, které se mohou hodit při řešení řady problémů, od přípravy a načítání dat až po trénovací modely a používání neuronových sítí. . Publikace je vhodná pro lidi, kteří chtějí implementovat algoritmy strojového učení v praxi.

V naší nabídce jsou i další knihy pro programátory – podívejte se!

Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení. 2. vydání - K. Gallatin

Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení. 2. vydání - K. Gallatin.

Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení. 2. vydání - K. Gallatin

Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení.

Pár slov o autorech

Kyle Gallatin je softwarový inženýr pracující na platformě strojového učení ve společnosti Etsy. Pracoval také jako vědec, datový analytik a inženýr strojového učení.

Dr. Chris Albon je již mnoho let datovým analytikem a politologem. V současnosti pracuje pro Devoted Health a byl také hlavním datovým vědcem v keňském startupu BRCK.

Strojové učení - receptury

Strojové učení je jednou z velmi zajímavých a dynamicky se rozvíjejících oblastí informačních technologií. Kniha obsahuje informace o práci s daty v mnoha formátech, databázích a datových úložištích. Diskutovány jsou také techniky snižování rozměrů a metody pro hodnocení a výběr modelu. Publikace obsahuje recepty na témata, jako je lineární a logistická regrese, rozhodovací stromy a náhodné lesy, stejně jako algoritmy k-nejbližšího souseda, podpůrné vektorové stroje (SVM), naivní bayesovská klasifikace a shlukování.

Informace o knize

  • Původní název: Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning, 2nd Edition
  • Autoři: Kyle Gallatin, Dr. Chris Albon
  • Překlad: Robert Górczyński
  • ISBN: 978-83-289-0811-6
  • Rok vydání: 2024
  • Formát: 165 x 235 mm
  • Potah: měkký
  • Počet stran: 398
  • Vydavatel: Helion SA
Strojové učení v Pythonu. Recepty. Od přípravy dat až po hluboké učení. 2. vydání - K. Gallatin

Kniha je určena programátorům.

Obsah

Zavedení

1. Vektor, matice a pole

  1. 1,0. Zavedení
  2. 1.1. Vytvoření vektoru
  3. 1.2. Vytvoření matice
  4. 1.3. Vytvoření řídké matice
  5. 1.4. Předběžné přidělení pole NumPy
  6. 1.5. Stahování položek
  7. 1.6. Popis matic
  8. 1.7. Provádění operací na všech prvcích
  9. 1.8. Zjištění maximální a minimální hodnoty
  10. 1.9. Výpočet průměru, rozptylu a směrodatné odchylky
  11. 1/10 Změna tvaru desky
  12. 1/11. Transponování vektoru nebo matice
  13. 1/12. Zploštění matrice
  14. 1/13. Nalezení řádku matice
  15. 1/14. Získání úhlopříčky matice
  16. 1.15. Výpočet stopy matice
  17. 1/16. Výpočet bodového součinu
  18. 1/17. Sčítání a odečítání matic
  19. 1/18. Maticové násobení
  20. 1/19. Maticová inverze
  21. 1.20. Generování náhodných čísel

2. Načítání dat

  1. 2,0. Zavedení
  2. 2.1. Načítání ukázkové datové sady
  3. 2.2. Vytvoření simulované datové sady
  4. 2.3. Načítání souboru CSV
  5. 2.4. Načítání souboru Excel
  6. 2.5. Načítání souboru JSON
  7. 2.6. Načítání souboru Parquet
  8. 2.7. Načítání souboru Avro
  9. 2.8. Dotaz na databázi SQLite
  10. 2.9. Dotaz na vzdálenou SQL databázi
  11. 2/10. Načítání dat z Tabulek Google
  12. 2/11. Načítání dat z bucketu S3
  13. 2/12. Načítání nestrukturovaných dat

3. Příprava dat

  1. 3.0. Zavedení
  2. 3.1. Vytvoření datového rámce
  3. 3.2. Popisování dat
  4. 3.3. Navigace v datovém rámci
  5. 3.4. Načítání řádků na základě určitých podmínek
  6. 3.5. Řazení hodnot
  7. 3.6. Výměna hodnot
  8. 3.7. Změna názvu sloupce
  9. 3.8. Najděte minimum, maximum, součet, průměr a počet položek ve sloupci
  10. 3.9. Hledání jedinečných hodnot
  11. 3/10 Manipulace s chybějícími hodnotami
  12. 3/11. Mazání sloupců
  13. 3/12. Mazání řádku
  14. 3/13. Odstraňte duplicitní řádky
  15. 3.14. Seskupení řádků podle hodnoty
  16. 3.15. Seskupení řádků podle času
  17. 3.16. Agregace operací a statistických dat
  18. 3.17. Iterace přes sloupec
  19. 3.18. Volání funkce na všech prvcích sloupce
  20. 3.19. Volání funkcí pro skupinu
  21. 3.20. Zřetězení objektů DataFrame
  22. 3.21. Spojení objektů DataFrame

4. Práce s číselnými údaji

  1. 4,0. Zavedení
  2. 4.1. Změna měřítka funkce
  3. 4.2. Standardizace funkce
  4. 4.3. Normalizace pozorování
  5. 4.4. Generování polynomických prvků a interakcí
  6. 4.5. Transformace rysů
  7. 4.6. Detekce odlehlých hodnot
  8. 4.7. Manipulace s odlehlými hodnotami
  9. 4.8. Diskretizace vlastností
  10. 4.9. Seskupování pozorování pomocí shluku
  11. 4/10 Odstraňte případy, které mají chybějící hodnoty
  12. 4/11. Doplnění chybějících hodnot

5. Práce s kategorizačními daty

  1. 5,0. Zavedení
  2. 5.1. Kódování jmenovitých kategorizačních prvků
  3. 5.2. Kódování ordinálních kategorizačních znaků
  4. 5.3. Slovníky funkcí kódování
  5. 5.4. Vložte chybějící hodnoty třídy
  6. 5.5. Zvládání nevyvážených tříd

6. Textová podpora

  1. 6.0. Zavedení
  2. 6.1. Čištění textu
  3. 6.2. Zpracování a čištění HTML dat
  4. 6.3. Odstranění interpunkčního znaménka
  5. 6.4. Tokenizace textu
  6. 6.5. Mazání slov s malým významem
  7. 6.6. Vycházející slova
  8. 6.7. Označování slovních druhů
  9. 6.8. Rozpoznávání pojmenovaných entit
  10. 6.9. Kódování textu pomocí modelu pytle slov
  11. 6/10. Určování váhy slov
  12. 6/11. Použití textových vektorů k výpočtu podobnosti textu ve vyhledávacím dotazu
  13. 6/12. Použití klasifikátoru analýzy sentimentu

7. Podpora data a času

  1. 7,0. Zavedení
  2. 7.1. Převeďte textový řetězec na datum
  3. 7.2. Podpora časového pásma
  4. 7.3. Načítání data a času
  5. 7.4. Rozdělení dat data do více funkcí
  6. 7.5. Výpočet rozdílu mezi daty
  7. 7.6. Kódování dnů v týdnu
  8. 7.7. Vytvoření časově zpožděné funkce
  9. 7.8. Použití časosběrných oken
  10. 7.9. Zpracování chybějících dat v datové řadě obsahující hodnoty data a času

8. Podpora obrazu

  1. 8,0. Zavedení
  2. 8.1. Načítání obrázku
  3. 8.2. Uložení obrázku
  4. 8.3. Změna velikosti obrázku
  5. 8.4. Oříznutí obrázku
  6. 8.5. Rozmazání obrazu
  7. 8.6. Ostřete obraz
  8. 8.7. Zvýšení kontrastu
  9. 8.8. Izolační barvy
  10. 8.9. Prahování obrazu
  11. 8/10. Odstranění pozadí obrázku
  12. 8/11. Detekce hran
  13. 8/12. Detekce rohů v obraze
  14. 8/13. Vytváření funkcí ve strojovém učení
  15. 8/14. Použití histogramu barev jako funkce
  16. 8.15. Použití trénovaných vložení jako funkcí
  17. 8/16. Detekce objektů pomocí OpenCV
  18. 8/17. Klasifikace obrázků pomocí PyTorch

9. Redukce rozměrů pomocí extrakce příznaků

  1. 9,0. Zavedení
  2. 9.1. Omezení funkcí pomocí hlavních komponent
  3. 9.2. Redukce funkcí, když jsou data lineárně neoddělitelná
  4. 9.3. Omezení funkcí maximalizací nesourodosti třídy
  5. 9.4. Redukce rysů pomocí maticového rozkladu
  6. 9.5. Omezení funkcí v řídkých datech

10. Redukce rozměrů pomocí výběru prvků

  1. 10,0. Zavedení
  2. 10.1. Prahová hodnota rozptylu číselného znaku
  3. 10.2. Prahování rozptylu binárních znaků
  4. 10.3. Podpora vysoce korelovaných funkcí
  5. 10.4. Odebrání prvků, které nejsou pro klasifikaci relevantní
  6. 10.5. Eliminace rekurzivní funkce

11. Vyhodnocení modelu

  1. 11.0. Zavedení
  2. 11.1. Modely křížového testu
  3. 11.2. Vytvoření základního regresního modelu
  4. 11.3. Vytvoření základního klasifikačního modelu
  5. 11.4. Vyhodnocování predikcí binárních klasifikátorů
  6. 11.5. Vyhodnocení prahování binárního klasifikátoru
  7. 11.6. Vyhodnocování predikcí vícetřídních klasifikátorů
  8. 11.7. Vizualizace výkonu klasifikátoru
  9. 11.8. Vyhodnocení regresního modelu
  10. 11.9. Vyhodnocení modelu shlukování
  11. 11/10. Definování faktorů hodnocení vlastního modelu
  12. 11/11 Vizualizace vlivu velikosti tréninkové sestavy
  13. 11/12. Vytvořte textovou zprávu o vašem ratingovém faktoru
  14. 13. 11. Vizualizujte účinek změn hodnot hyperparametrů

12. Výběr modelu

  1. 12.0. Zavedení
  2. 12.1. Výběr nejlepších modelů pomocí vyčerpávajícího vyhledávání
  3. 12.2. Výběr nejlepších modelů pomocí náhodného vyhledávání
  4. 12.3. Výběr nejlepších modelů z více algoritmů strojového učení
  5. 12.4. Výběr nejlepších modelů ve fázi přípravy dat
  6. 12.5. Urychlení výběru modelu pomocí paralelismu
  7. 12.6. Urychlete výběr modelu pomocí metod specifických pro algoritmus
  8. 12.7. Hodnocení výkonu po výběru modelu

13. Lineární regrese

  1. 13,0. Zavedení
  2. 13.1. Označení čáry
  3. 13.2. Zvládání dopadů interakce
  4. 13.3. Určení nelineárního vztahu
  5. 13.4. Snížení rozptylu pomocí regularizace
  6. 13.5. Redukce rysů pomocí LASSO regrese

14. Stromy a lesy

  1. 14.0. Zavedení
  2. 14.1. Trénink klasifikátoru rozhodovacího stromu
  3. 14.2. Školení regresoru rozhodovacího stromu
  4. 14.3. Vizualizace modelu rozhodovacího stromu
  5. 14.4. Trénink náhodného klasifikátoru lesa
  6. 14.5. Školení náhodného lesního regresora
  7. 14.6. Vyhodnocení náhodného lesa pomocí odhadu chyb mimo pytel
  8. 14.7. Identifikace důležitých prvků v náhodných lesích
  9. 14.8. Výběr důležitých prvků v náhodném lese
  10. 14.9. Zvládání nevyvážených tříd
  11. 14/10. Ovládání velikosti stromu
  12. 14/11. Zlepšení výkonu se zesílením
  13. 14/12. Školení modelu XGBoost
  14. 14/13. Zlepšete výkon v reálném čase pomocí LightGBM

15. k algoritmu nejbližších sousedů

  1. 15,0. Zavedení
  2. 15.1. Hledání nejbližších sousedů pozorování
  3. 15.2. Vytvoření klasifikátoru k nejbližších sousedů
  4. 15.3. Určení nejlepší velikosti sousedství
  5. 15.4. Vytvoření klasifikátoru nejbližšího souseda založeného na poloměru
  6. 15.5. Vyhledejte přibližné nejbližší sousedy
  7. 15.6. Odhad přibližných nejbližších sousedů

16. Logistická regrese

  1. 16.0. Zavedení
  2. 16.1. Trénink binárního klasifikátoru
  3. 16.2. Školení vícetřídního klasifikátoru
  4. 16.3. Snížení rozptylu prostřednictvím regularizace
  5. 16.4. Školení klasifikátoru na velmi velkých datech
  6. 16.5. Zvládání nevyvážených tříd

17. Podpora vektorového stroje

  1. 17,0. Zavedení
  2. 17.1. Trénink lineárního klasifikátoru
  3. 17.2. Práce s lineárně neoddělitelnými třídami pomocí funkcí jádra
  4. 17.3. Stanovení pravděpodobnosti prognózy
  5. 17.4. Identifikace podpůrných vektorů
  6. 17.5. Zvládání nevyvážených tříd

18. Naivní bayesovský klasifikátor

  1. 18.0. Zavedení
  2. 18.1. Školení klasifikátoru pro spojité funkce
  3. 18.2. Školení klasifikátoru pro diskrétní nebo numerické prvky
  4. 18.3. Trénink naivního bayesovského klasifikátoru pro binární prvky
  5. 18.4. Kalibrujte pravděpodobnost předpovědi

19. Shlukování

  1. 19.0. Zavedení
  2. 19.1. K-znamená shlukování
  3. 19.2. Urychlení shlukování pomocí k-means
  4. 19.3. Shlukování pomocí algoritmu meanshift
  5. 19.4. Shlukování pomocí algoritmu DBSCAN
  6. 19.5. Shlukování pomocí hierarchického propojení

20. Tenzory v PyTorch

  1. 20,0. Zavedení
  2. 20.1. Vytvoření tenzoru
  3. 20.2. Vytvoření tenzoru z NumPy
  4. 20.3. Vytvoření řídkého tenzoru
  5. 20.4. Výběr tenzorových prvků
  6. 20.5. Popis tenzoru
  7. 20.6. Provádění operací na tenzorových prvcích
  8. 20.7. Hledání minimálních a maximálních hodnot
  9. 20.8. Změna tvaru tenzoru
  10. 20/9. Transponování tenzoru
  11. 20/10. Zploštění tenzoru
  12. 20/11. Výpočet bodového součinu
  13. 20/12. Násobení tenzorů

21. Neuronové sítě

  1. 21.0. Zavedení
  2. 21.1. Použití enginu Autograd frameworku PyTorch
  3. 21.2. Příprava dat pro neuronové sítě
  4. 21.3. Návrh neuronové sítě
  5. 21.4. Trénink binárního klasifikátoru
  6. 21.5. Školení vícetřídního klasifikátoru
  7. 21.6. Školení regresora
  8. 21.7. Generování předpovědí
  9. 21.8. Vizualizace historie tréninku
  10. 21/9. Snížení přetížení pomocí regulace hmotnosti
  11. 21/10. Snížení nadměrného vybavení pomocí techniky předčasného ukončení
  12. 21/11. Snížení nadměrného vybavování pomocí techniky dropout
  13. 21/12. Uložení průběhu tréninkového modelu
  14. 21/13. Ladění neuronové sítě
  15. 21/14. Vizualizace neuronové sítě

22. Neuronové sítě pro nestrukturovaná data

  1. 22.0. Zavedení
  2. 22.1. Trénink neuronové sítě pro klasifikaci obrazu
  3. 22.2. Trénink neuronové sítě pro klasifikaci textu
  4. 22.3. Jemné doladění natrénovaného modelu pro klasifikaci obrázků
  5. 22.4. Doladění natrénovaného modelu pro klasifikaci textu

23. Ukládání, načítání a sdílení natrénovaných modelů

  2. 23.0. Zavedení
  3. 23.1. Uložení a načtení modelu knihovny scikit-learn
  4. 23.2. Uložení a načtení modelu knihovny TensorFlow
  5. 23.3. Uložení a načtení modelu PyTorch
  6. 23.4. Sdílení modelů scikit-learn
  7. 23.5. Sdílení modelů TensorFlow
  8. 23.6. Sdílení modelů PyTorch se Seldonem

Kniha - autor Kyle Gallatin, Chris Albon
Kniha - ISBN 978-83-289-0811-6
Kniha - vazba miękka
Kniha - vydavatel Helion SA
Język programowania Programowanie
Język programowania Python
Šířka balení 16.5 cm
Výška balení 23.5 cm
Hloubka balení 2 cm
Váha balení 0.623 kg
Pošlete nám svůj dotaz

Buďte první, kdo se zeptá na tento produkt!

Zákazníci, kteří koupili tento produkt, koupili také:

Produkty ze stejné kategorie: