Uczenie maszynowe przyczyniło się do powstania wielu innowacyjnych technologii. Pojazdy autonomiczne, mechanizmy rozpoznawania obrazów, badania genetyczne, a także dynamiczne dostosowywanie prezentowanych treści do preferencji odbiorcy to tylko niektóre przykłady.
Możliwości związane z rozwojem tych technik sprawiają, że analityka danych i zaawansowane uczenie maszynowe stają się wyjątkowo cenną wiedzą. Dotyczy to szczególnie nowatorskich technik analizy danych, takich jak głębokie uczenie, algorytmy częściowo nadzorowane i metody zespołowe.
Niniejsza książka jest przystępnie napisanym podręcznikiem, dzięki któremu poznasz niektóre zaawansowane techniki uczenia maszynowego. Szczególną uwagę poświęcono tu algorytmom uczenia maszynowego: zostały dokładnie wyjaśnione, opisano ich zastosowanie oraz topologię, metody uczenia i miary wydajności.
Każdy rozdział uzupełniono o wykaz źródeł, pomocny w dalszym zgłębianiu tematu. Dodatkowo przedstawiono wiele cennych wskazówek dotyczących specyfiki pracy analityka danych. Do prezentacji przykładów wybrano język Python z uwagi na jego wszechstronność, elastyczność, prostotę oraz możliwość stosowania do specjalistycznych zadań.
Najważniejsze zagadnienia przedstawione w książce:
• identyfikacja struktur i wzorców w zbiorach danych
• stosowanie sieci neuronowych
• praca z językiem naturalnym
• modele zespołowe i poprawa ich elastyczności
• narzędzia uczenia maszynowego w Pythonie
Zaawansowane uczenie maszynowe - poznaj algorytmy przyszłości!
John Hearty - jest autorytetem w dziedzinie analityki danych i inżynierii infrastruktury. Przez pewien czas zajmował się modelowaniem zachowań gracza i infrastrukturą dużych zbiorów danych w Microsofcie. Ważniejszymi jego projektami były modelowanie umiejętności gracza w grach asymetrycznych i modele segmentacji graczy mające na celu zindywidualizowanie rozgrywki. Obecnie Hearty jest niezależnym ekspertem, szczególnie cenionym przez zespoły zajmujące się eksploracją danych. W wolnym czasie tworzy modele uczenia maszynowego w Pythonie.
Spis treści:
Rozdział 1. Nienadzorowane uczenie maszynowe (19)
Rozdział 2. Sieci DBN (41)
Rozdział 3. Stosy autoenkoderów odszumiających (67)
Rozdział 4. Konwolucyjne sieci neuronowe (85)
Rozdział 5. Częściowo nadzorowane uczenie maszynowe (107)
Rozdział 6. Rozpoznawanie języka naturalnego i selekcja cech (131)
Rozdział 7. Selekcja cech - część II (155)
Rozdział 8. Metody zespołowe (195)
Rozdział 9. Dodatkowe narzędzia uczenia maszynowego w języku Python (225)
Dodatek A. Wymagania przykładowych skryptów (237)
adobe algorytmy apache asp autocad asembler bsd c++ c# delphi dtp excel flash html java javascript linux matlab mysql office php samba voip uml unix visual studio windows word
Księgarnia Informatyczna zaprasza.