Доступно

Машинное обучение с использованием Python. Сборник рецептов [Крис Элбон] [Повтор]

Тема в разделе "Электронные книги", создана пользователем cybernetic, 19 сен 2021.

Цена: 480р.
Взнос: 80р.-83%
100%

Основной список: 17 участников

Статус обсуждения:
Комментирование ограничено.
  1. 19 сен 2021
    #1
    cybernetic
    cybernetic ЧКЧлен клуба
    Машинное обучение с использованием Python. Сборник рецептов

    Практические решения от предобработки до глубокого обучения

    Автор: Крис Элбон

    [​IMG]


    Описание книги
    Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-learn. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.

    Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

    Для разработчиков систем машинного обучения.

    Об авторе 1
    Предисловие 3
    Для кого предназначена книга 4
    Для кого не предназначена книга 4
    Терминология, используемая в книге 4
    Признательности 5
    Комментарии переводчика 5
    Исходный код 7
    Протокол установки библиотек 7
    Установка библиотек Python из whl-файлов 8
    Блокноты Jupyter 9
    Глава 1. Векторы, матрицы, массивы 11
    Введение 11
    1.1. Создание вектора 11
    1.2. Создание матрицы 12
    1.3. Создание разреженной матрицы 13
    1.4. Выбор элементов 14
    1.5. Описание матрицы 16
    1.6. Применение операций к элементам 17
    1.7. Нахождение максимального и минимального значений 18
    1.8. Вычисление среднего значения, дисперсии и стандартного отклонения 19
    1.9. Реформирование массивов 20
    1.10. Транспонирование вектора в матрицу 21
    1.11. Сглаживание матрицы 22
    1.12. Нахождение ранга матрицы 22
    1.13. Вычисление определителя матрицы 23
    1.14. Получение диагонали матрицы 24
    1.15. Вычисление следа матрицы 24
    1.16. Нахождение собственных значений и собственных векторов 25
    1.17. Вычисление скалярных произведений 27
    1.18. Сложение и вычитание матриц 28
    1.19. Умножение матриц 29
    1.20. Обращение матрицы 30
    1.21. Генерирование случайных значений 31
    Глава 2. Загрузка данных 33
    Введение 33
    2.1. Загрузка образца набора данных 33
    2.2. Создание симулированного набора данных 35
    2.3. Загрузка файла CSV 38
    2.4. Загрузка файла Excel 39
    2.5. Загрузка файла JSON 40
    2.6. Опрашивание базы данных SQL 41
    Глава 3. Упорядочение данных 42
    Введение 42
    3.1. Создание фрейма данных 43
    3.2. Описание данных 44
    3.3. Навигация по фреймам данных 46
    3.4. Выбор строк на основе условных конструкций 48
    3.5. Замена значений 49
    3.6. Переименование столбцов 51
    3.7. Нахождение минимума, максимума, суммы, среднего арифметического и количества 52
    3.8. Нахождение уникальных значений 53
    3.9. Отбор пропущенных значений 55
    3.10. Удаление столбца 56
    3.11. Удаление строки 58
    3.12. Удаление повторяющихся строк 59
    3.13. Группирование строк по значениям 61
    3.14. Группирование строк по времени 62
    3.15. Обход столбца в цикле 65
    3.16. Применение функции ко всем элементам в столбце 66
    3.17. Применение функции к группам 66
    3.18. Конкатенация фреймов данных 67
    3.19. Слияние фреймов данных 69
    Глава 4. Работа с числовыми данными 73
    Введение 73
    4.1. Шкалирование признака 73
    4.2. Стандартизация признака 75
    4.3. Нормализация наблюдений 76
    4.4. Генерирование полиномиальных и взаимодействующих признаков 78
    4.5. Преобразование признаков 80
    4.6. Обнаружение выбросов 81
    4.7. Обработка выбросов 83
    4.8. Дискретизация признаков 86
    4.9. Группирование наблюдений с помощью кластеризации 87
    4.10. Удаление наблюдений с пропущенными значениями 89
    4.11. Импутация пропущенных значений 91
    Глава 5. Работа с категориальными данными 94
    Введение 94
    5.1. Кодирование номинальных категориальных признаков 95
    5.2. Кодирование порядковых категориальных признаков 98
    5.3. Кодирование словарей признаков 100
    5.4. Импутация пропущенных значений классов 102
    5.5. Работа с несбалансированными классами 104
    Глава 6. Работа с текстом 109
    Введение 109
    6.1. Очистка текста 109
    6.2. Разбор и очистка разметки HTML 111
    6.3. Удаление знаков препинания 112
    6.4. Лексемизация текста 113
    6.5. Удаление стоп-слов 114
    6.6. Выделение основ слов 115
    6.7. Лемматизация слов 116
    6.8. Разметка слов на части речи 117
    6.9. Кодирование текста в качестве мешка слов 120
    6.10. Взвешивание важности слов 123
    Глава 7. Работа с датами и временем 126
    Введение 126
    7.1. Конвертирование строковых значений в даты 126
    7.2. Обработка часовых поясов 128
    7.3. Выбор дат и времени 129
    7.4. Разбиение данных даты на несколько признаков 130
    7.5. Вычисление разницы между датами 131
    7.6. Кодирование дней недели 132
    7.7. Создание запаздывающего признака 133
    7.8. Использование скользящих временных окон 134
    7.9. Обработка пропущенных дат во временном ряду 136
    Глава 8. Работа с изображениями 139
    Введение 139
    8.1. Загрузка изображений 140
    8.2. Сохранение изображений 142
    8.3. Изменение размера изображений 143
    8.4. Обрезка изображений 144
    8.5. Размытие изображений 146
    8.6. Увеличение резкости изображений 148
    8.7. Усиление контрастности 150
    8.8. Выделение цвета 152
    8.9. Бинаризация изображений 153
    8.10. Удаление фонов 155
    8.11. Обнаружение краев изображений 158
    8.12. Обнаружение углов 159
    8.13. Создание признаков для машинного самообучения 163
    8.14. Кодирование среднего цвета в качестве признака 166
    8.15. Кодирование гистограмм цветовых каналов в качестве признаков 167
    Глава 9. Снижение размерности с помощью выделения признаков 171
    Введение 171
    9.1. Снижение признаков с помощью главных компонент 171
    9.2. Уменьшение количества признаков, когда данные линейно неразделимы 174
    9.3. Уменьшение количества признаков путем максимизации разделимости классов 176
    9.4. Уменьшение количества признаков с использованием разложения матрицы 179
    9.5. Уменьшение количества признаков на разреженных данных 180
    Глава 10. Снижение размерности с помощью отбора признаков 184
    Введение 184
    10.1. Пороговая обработка дисперсии числовых признаков 184
    10.2. Пороговая обработка дисперсии бинарных признаков 186
    10.3. Обработка высококоррелированных признаков 187
    10.4. Удаление нерелевантных признаков для классификации 189
    10.5. Рекурсивное устранение признаков 192
    Глава 11. Оценивание моделей 195
    Введение 195
    11.1. Перекрестная проверка моделей 195
    11.2. Создание базовой регрессионной модели 199
    11.3. Создание базовой классификационной модели 201
    11.4. Оценивание предсказаний бинарного классификатора 203
    11.5. Оценивание порогов бинарного классификатора 206
    11.6. Оценивание предсказаний мультиклассового классификатора 210
    11.7. Визуализация результативности классификатора 211
    11.8. Оценивание регрессионных моделей 213
    11.9. Оценивание кластеризующих моделей 215
    11.10. Создание собственного оценочного метрического показателя 217
    11.11. Визуализация эффекта размера тренировочного набора 219
    11.12. Создание текстового отчета об оценочных метрических показателях 221
    11.13. Визуализация эффекта значений гиперпараметра 222
    Глава 12. Отбор модели 226
    Введение 226
    12.1. Отбор наилучших моделей с помощью исчерпывающего поиска 226
    12.2. Отбор наилучших моделей с помощью рандомизированного поиска 229
    12.3. Отбор наилучших моделей из нескольких обучающихся алгоритмов 231
    12.4. Отбор наилучших моделей во время предобработки 233
    12.5. Ускорение отбора модели с помощью распараллеливания 235
    специализированных методов 236
    12.7. Оценивание результативности после отбора модели 238
    Глава 13. Линейная регрессия 241
    Введение 241
    13.1. Подгонка прямой 241
    13.2. Обработка интерактивных эффектов 243
    13.3. Подгонка нелинейной связи 245
    13.4. Снижение дисперсии с помощью регуляризации 247
    13.5. Уменьшение количества признаков с помощью лассо-регрессии 250
    Глава 14. Деревья и леса 252
    Введение 252
    14.1. Тренировка классификационного дерева принятия решений 252
    14.2. Тренировка регрессионного дерева принятия решений 254
    14.3. Визуализация модели дерева принятия решений 255
    14.4. Тренировка классификационного случайного леса 258
    14.5. Тренировка регрессионного случайного леса 260
    14.6. Идентификация важных признаков в случайных лесах 261
    14.7. Отбор важных признаков в случайных лесах 263
    14.8. Обработка несбалансированных классов 264
    14.9. Управление размером дерева 266
    14.10. Улучшение результативности с помощью бустинга 267
    14.11. Оценивание случайных лесов с помощью ошибок внепакетных наблюдений 269
    Глава 15. K ближайших соседей 271
    Введение 271
    15.1. Отыскание ближайших соседей наблюдения 271
    15.2. Создание классификационной модели k ближайших соседей 274
    15.3. Идентификация наилучшего размера окрестности 276
    15.4. Создание радиусного классификатора ближайших соседей 277
    Глава 16. Логистическая регрессия 279
    Введение 279
    16.1. Тренировка бинарного классификатора 279
    16.2. Тренировка мультиклассового классификатора 281
    16.3. Снижение дисперсии с помощью регуляризации 282
    16.4. Тренировка классификатора на очень крупных данных 283
    16.5. Обработка несбалансированных классов 285
    Глава 17. Опорно-векторные машины 287
    Введение 287
    17.1. Тренировка линейного классификатора 287
    17.2. Обработка линейно неразделимых классов с помощью ядер 290
    17.3. Создание предсказанных вероятностей 294
    17.4. Идентификация опорных векторов 295
    17.5. Обработка несбалансированных классов 297
    Глава 18. Наивный Байес 299
    Введение 299
    18.1. Тренировка классификатора для непрерывных признаков 300
    18.2. Тренировка классификатора для дискретных и счетных признаков 302
    18.3. Тренировка наивного байесова классификатора для бинарных признаков 303
    18.4. Калибровка предсказанных вероятностей 304
    Глава 19. Кластеризация 307
    Введение 307
    19.1. Кластеризация с помощью k средних 307
    19.2. Ускорение кластеризации методом k средних 310
    19.3. Кластеризация методом сдвига к среднему 311
    19.4. Кластеризация методом DBSCAN 313
    19.5. Кластеризация методом иерархического слияния 314
    Глава 20. Нейронные сети 317
    Введение 317
    20.1. Предобработка данных для нейронных сетей 318
    20.2. Проектирование нейронной сети 320
    20.3. Тренировка бинарного классификатора 323
    20.4. Тренировка мультиклассового классификатора 325
    20.5. Тренировка регрессора 327
    20.6. Выполнение предсказаний 329
    20.7. Визуализация истории процесса тренировки 331
    20.8. Снижение переподгонки с помощью регуляризации весов 334
    20.9. Снижение переподгонки с помощью ранней остановки 336
    20.10. Снижение переподгонки с помощью отсева 338
    20.11. Сохранение процесса тренировки модели 340
    20.12. k-блочная перекрестная проверка нейронных сетей 343
    20.13. Тонкая настройка нейронных сетей 345
    20.14. Визуализация нейронных сетей 347
    20.15. Классификация изображений 349
    20.16. Улучшение результативности с помощью расширения изображения 353
    20.17. Классификация текста 355
    Глава 21. Сохранение и загрузка натренированных моделей 359
    Введение 359
    21.1. Сохранение и загрузка модели scikit-learn 359
    21.2. Сохранение и загрузка модели Keras 361
    Предметный указатель 363

    Подробная информация
    • Возрастное ограничение: 0+
    • Дата выхода на ЛитРес: 14 сентября 2021
    • Дата перевода: 2019
    • Дата написания: 2018
    • Объем: 378 стр.
    • ISBN: 978-5-9775-4056-8
    • Общий размер: 4 MB
    • Общее кол-во страниц: 378
    • Размер страницы: 165 x 233 мм
    • Переводчик: Андрей Логунов
    • Правообладатель: БХВ-Петербург
    Формат файла: PDF (от ЛитРес)
    Цена книги: 480 руб
    Продажник: Скрытая ссылка

    ЛитРес
     
    Последнее редактирование: 30 сен 2021
  2. Последние события

    1. skladchik.com
      Складчина доступна.
      30 сен 2021
    2. skladchik.com
      Взнос составляет 40р.
      30 сен 2021
    3. skladchik.com
      Складчина активна.
      30 сен 2021
    4. Filin777
      Filin777 участвует.
      30 сен 2021

    Последние важные события

    1. skladchik.com
      Складчина доступна.
      30 сен 2021
    2. skladchik.com
      Взнос составляет 40р.
      30 сен 2021
    3. skladchik.com
      Складчина активна.
      30 сен 2021
    4. skladchik.com
      Сбор взносов начинается 30.09.2021.
      23 сен 2021
Статус обсуждения:
Комментирование ограничено.

Поделиться этой страницей