Polski
ebook
Data Science i uczenie maszynowe
Marcin Szeliga
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.
Opinie:
Wystaw opinię
Opinie, recenzje, testy:
Ten produkt nie ma jeszcze opinii
Twoja opinia
aby wystawić opinię.
Wydawnictwo: Wydawnictwo Naukowe PWN
Koszty dostawy:
- Przesyłka email dla e-book 0.00 zł brutto
Zapytaj o produkt
Opis produktu
- Tytuł
- Data Science i uczenie maszynowe
- Autor
- Marcin Szeliga
- Język
- polski
- Wydawnictwo
- Wydawnictwo Naukowe PWN
- ISBN
- 978-83-01-19324-9
- Rok wydania
- 2017 Warszawa
- Wydanie
- 1
- Liczba stron
- 400
- Format
- mobi, epub
- Spis treści
- Wstęp XVII O czym jest ta książka? XVII Data science XVIII Uczenie maszynowe XX Dla kogo jest ta książka? XXI Narzędzia XXII Usługa Azure ML XXIII Język R XXIV Microsoft R Open XXV Przykładowe dane XXVI Konwencje i oznaczenia XXVI 1. 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
Prezentacja wideo produktu: Data Science i uczenie maszynowe
Pobierz fragment
