построение систем машинного обучения на языке python pdf
Построение систем машинного обучения на языке python pdf
Автор: Луис Педро Коэльо, Вилли Ричард
Год: 2016
Издательство: ДМК Пресс
ISBN: 978-5-97060-330-7
Страниц: 301
Язык: Русский
Формат: PDF
Размер: 27 Mb
Описание: Применение машинного обучения для лучшего понимания природы данных — умение, необходимое любому современному разработчику программ или аналитику. Python — замечательный язык для создания приложении машинного обучения. Благодаря своей динамичности он позволяет быстро производить разведочный анализ данных и экспериментировать с ними. Обладая первоклассным набором библиотек машинного обучения с открытым исходным кодом, Python дает возможность сосредоточиться на решаемой задаче и в то же время опробовать различные идеи.
Книга начинается с краткого введения в предмет машинного обучения н знакомства с библиотеками NumPy, SciPy, scikit-learn. Но довольно быстро авторы переходят к более серьезным проектам с реальными наборами данных, в частности, тематическому моделированию, анализу корзины покупок, облачным вычислениям и др.
Издание рассчитано на программистов, пишущих на Python и желающих узнать о построении систем машинного обучения и научиться извлекать из данных ценную информацию, необходимую для решения различных задач.
Построение систем машинного обучения на языке Python
Скачать книгу
О книге «Построение систем машинного обучения на языке Python»
Применение машинного обучения для лучшего понимания природы данных – умение, необходимое любому современному разработчику программ или аналитику. Python – замечательный язык для создания приложений машинного обучения. Благодаря своей динамичности он позволяет быстро производить разведочный анализ данных и экспериментировать с ними. Обладая первоклассным набором библиотек машинного обучения с открытым исходным кодом, Python дает возможность сосредоточиться на решаемой задаче и в то же время опробовать различные идеи. Книга начинается с краткого введения в предмет машинного обучения и знакомства с библиотеками NumPy, SciPy, scikit-learn. Но довольно быстро авторы переходят к более серьезным проектам с реальными наборами данных, в частности, тематическому моделированию, анализу корзины покупок, облачным вычислениям и др. Издание рассчитано на программистов, пишущих на Python и желающих узнать о построении систем машинного обучения и научиться извлекать из данных ценную информацию, необходимую для решения различных задач.
Произведение было опубликовано в 2015 году издательством ДМК-Пресс. На нашем сайте можно скачать книгу «Построение систем машинного обучения на языке Python» в формате pdf или читать онлайн. Здесь так же можно перед прочтением обратиться к отзывам читателей, уже знакомых с книгой, и узнать их мнение. В интернет-магазине нашего партнера вы можете купить и прочитать книгу в бумажном варианте.
Построение систем машинного обучения на языке python pdf
Построение систем машинного обучения на языке Python
Год издания: 2016
Автор: Луис Педро Коэльо, Вилли Ричард
Жанр или тематика: Программирование
Издательство: ДМК Пресс
ISBN: 978-5-97060-330-7
Язык: Русский
Формат: PDF
Качество: Отсканированные страницы
Интерактивное оглавление: Нет
Количество страниц: 301
Описание: Применение машинного обучения для лучшего понимания природы данных — умение, необходимое любому современному разработчику программ или аналитику. Python — замечательный язык для создания приложении машинного обучения. Благодаря своей динамичности он позволяет быстро производить разведочный анализ данных и экспериментировать с ними. Обладая первоклассным набором библиотек машинного обучения с открытым исходным кодом, Python дает возможность сосредоточиться на решаемой задаче и в то же время опробовать различные идеи. Книга начинается с краткого введения в предмет машинного обучения н знакомства с библиотеками NumPy, SciPy, scikit-learn. Но довольно быстро авторы переходят к более серьезным проектам с реальными наборами данных, в частности, тематическому моделированию, анализу корзины покупок, облачным вычислениям и др. Издание рассчитано на программистов, пишущих на Python и желающих узнать о построении систем машинного обучения и научиться извлекать из данных ценную информацию, необходимую для решения различных задач.
Машинное обучение Python
Обзор методов и алгоритмов.
Луис Педро Коэльо, Вилли Ричард «Построение систем машинного обучения на языке Python» ДМК Пресс, 2016 год, 303 стр. (64.2 мб. pdf+коды примеров 142.4 мб. zip.)
В книге представлен общий обзор обучающих алгоритмов для машинного обучения на Python, как часто применяемых в различных отраслях машинного обучения. Python — интерпретируемый высокоуровневый язык, ввиду своей динамичности прекрасно подходит для анализа и выбора данных при построении систем машинного обучения. Его преимущества в селективности и наборе подходящих для этих целей библиотек. Вначале авторы знакомят с самим предметом книг и библиотеками NumPy, SciPy, scikit-learn.
Далее рассмотрены проекты тематического моделирования и методы его проведения: анализ и обработка текстов, распознавание изображений по отбору определенных признаков в данных, методы отбора данных и сужение их круга (понижение размерности) для более эффективной работы алгоритмов, кластеризации и т. д. Издание предназначено для Python программистов, студентов, математиков — аналитиков, практиков строящих системы с использованием машинного обучения.
ISBN: 978-5-97060-330-7
Предисловие 15
О содержании книги 15
Что необходимо для чтения этой книги 17
На кого рассчитана эта книга 17
Графические выделения 17
Отзывы 18
Поддержка клиентов 18
Загрузка кода примеров 19
Опечатки 19
Нарушение авторских прав 19
Вопросы 20
Глава 4. Тематическое моделирование 93
Латентное размещение Дирихле 93
Построение тематической модели 95
Сравнение документов по темам 100
Моделирование всей википедии 103
Выбор числа тем 106
Резюме 107
Глава 7. Регрессия 168
Прогнозирование стоимости домов с помощью регрессии 168
Многомерная регрессия 172
Перекрестная проверка для регрессии 173
Регрессия со штрафом, или регуляризованная регрессия 174
Штрафы L1 и L2 175
Lasso и эластичная сеть в библиотеке scikit-learn 176
Визуализация пути в Lasso 177
Сценарии Р-больше-N 178
Пример, основанный на текстовых документах 179
Объективный подход к заданию гиперпараметров 181
Резюме 185
машинноее обучение Python
Глава 8. Рекомендации 186
Прогноз и рекомендование оценок 186
Разделение данных на обучающие и тестовые 188
Нормировка обучающих данных 189
Рекомендование на основе ближайших соседей 191
Регрессионный подход к рекомендованию 195
Комбинирование нескольких методов 196
Анализ корзины 199
Получение полезных прогнозов 200
Анализ корзин покупок в супермаркете 201
Поиск ассоциативных правил 204
Более сложный анализ корзины 206
Резюме 207
Глава 9. Классификация по музыкальным жанрам 208
План действий 208
Получение музыкальных данных 209
Преобразование в формат WAV 209
Взгляд на музыку 210
Разложение на синусоидальные волны 211
Применение БПФ для построения первого классификатора 213
Повышение гибкости эксперимента 213
Обучение классификатора 215
Применение матрицы неточностей для измерения верности в многоклассовых задачах 215
Альтернативный способ измерения качества классификатора с помощью рабочей характеристики приемника 218
Повышение качества классификации с помощью мел-частотных
кепстральных коэффициентов 220
Резюме 225
Глава 10. Машинное зрение 227
Введение в обработку изображений 227
Загрузка и показ изображения 228
Бинаризация 230
Гауссово размывание 231
Помещение центра в фокус 233
Простая классификация изображений 235
Вычисление признаков по изображению 236
Создание собственных признаков 237
Использование признаков для поиска похожих изображений 239
Классификация на более трудном наборе данных 241
Локальные представления признаков 242
Резюме 246
Глава 11. Понижение размерности 248
План действий 249
Отбор признаков 249
Выявление избыточных признаков с помощью фильтров 250
Применение оберток для задания модели вопросов о признаках 257
Другие методы отбора признаков 259
Выделение признаков 260
Об анализе главных компонент 260
Ограничения РСА и чем может помочь LDA 263
Многомерное шкалирование 264
Резюме 267
Глава 12. Когда данных больше 269
Что такое большие данные 269
Использование jug для построения конвейера задач 270
Введение в задачи jug 271
Заглянем под капот 273
Применение jug для анализа данных 275
Повторное использование частичных результатов 278
Работа с Amazon Web Services 279
Создание виртуальной машины 281
Установка Python-пакетов на Amazon Linux 285
Запуск jug на облачной машине 286
Автоматизированная генерация кластеров с помощью StarCluster 287
Резюме 291
Где получить дополнительные сведения о машинном обучении 293
Онлайновые курсы 293
Книги 293
Вопросно-ответные сайты 294
Блоги 294
Источники данных 295
Участие в конкурсах 295
Что не вошло в книгу 295
Резюме 296
Предметный указатель 297
Ссылка удалена по требованию правообладателя.
Построение систем машинного обучения на языке python pdf
6 книг по искусственному интеллекту [Python]
[1] Python для сложных задач. Наука о данных и машинное обучение [2018] Плас Дж
Это подробное руководство по самым разным вычислительным и статистическим методам, без которых немыслима любая интенсивная обработка данных, научные исследования и передовые разработки. Читатели, уже имеющие опыт программирования и желающие эффективно использовать Python в сфере Data Science, найдут в этой книге ответы на всевозможные вопросы.
[2] Машинное обучение и TensorFlow [2019] Шакла
[3] Основы Data Science и Big Data. Python и наука о данных [2018] Силен
[5] Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем [2018] Жерон
«Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения».
— Пит Уорден, технический руководитель направления TensorFlow.
Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать.
За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования.
— Исследуйте область машинного обучения, особенно нейронные сети.
— Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца.
— Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы.
— Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей.
— Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением.
— Освойте приемы для обучения и масштабирования глубоких нейронных сетей.
— Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов.
[6] Глубокое обучение в Python [2018] Франсуа Шолле