Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
- Autorzy:
- David Julian, Sebastian Raschka, John Hearty
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Dostępne formaty:
-
PDFePubMobi
Opis
książki
:
Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
The idea is to prepare a learning path that will help you to tackle the real-world complexities of modern machine learning with innovative and cutting-edge techniques. Also, it will give you a solid foundation in the machine learning design process, and enable you to build customized machine learning models to solve unique problems.
The course begins with getting your Python fundamentals nailed down. It focuses on answering the right questions that cove a wide range of powerful Python libraries, including scikit-learn Theano and Keras.After getting familiar with Python core concepts, it’s time to dive into the field of data science. You will further gain a solid foundation on the machine learning design and also learn to customize models for solving problems.
At a later stage, you will get a grip on more advanced techniques and acquire a broad set of powerful skills in the area of feature selection and feature engineering.
Wybrane bestsellery
-
Bestseller Nowość Promocja
Ta książka wyjaśni Ci rolę matematyki w tworzeniu, renderowaniu i zmienianiu wirtualnych środowisk 3D, a ponadto pozwoli odkryć tajemnice najpopularniejszych dzisiaj silników gier. Za sprawą licznych praktycznych ćwiczeń zorientujesz się, co się kryje za rysowaniem linii i kształtów graficznych, stosowaniem wektorów i wierzchołków, budowaniem i renderowaniem siatek, jak również przekształcaniem wierzchołków. Nauczysz się używać kodu Pythona, a także bibliotek Pygame i PyOpenGL do budowy własnych silników. Dowiesz się też, jak tworzyć przydatne API i korzystać z nich podczas pisania własnych aplikacji.- Druk
- PDF + ePub + Mobi pkt
Matematyka w programowaniu gier i grafice komputerowej. Tworzenie i renderowanie wirtualnych środowisk 3D oraz praca z nimi Matematyka w programowaniu gier i grafice komputerowej. Tworzenie i renderowanie wirtualnych środowisk 3D oraz praca z nimi
(53,40 zł najniższa cena z 30 dni)
57.84 zł
89.00 zł (-35%) -
Bestseller Nowość Promocja
To czwarte, zaktualizowane wydanie znakomitego przewodnika poświęconego zastosowaniu uczenia maszynowego do rozwiązywania rzeczywistych problemów w analizie danych. Dzięki książce dowiesz się wszystkiego, co trzeba wiedzieć o wstępnym przetwarzaniu danych, znajdowaniu kluczowych spostrzeżeń, prognozowaniu i wizualizowaniu odkryć. W tym wydaniu dodano kilka nowych rozdziałów dotyczących data science i niektórych trudniejszych zagadnień, takich jak zaawansowane przygotowywanie danych, budowanie lepiej uczących się modeli i praca z big data. Znalazło się tu także omówienie etycznych aspektów uczenia maszynowego i wprowadzenie do uczenia głębokiego. Treść została zaktualizowana do wersji 4.0.0 języka R.- Druk
- PDF + ePub + Mobi pkt
Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV
(83,40 zł najniższa cena z 30 dni)
90.35 zł
139.00 zł (-35%) -
Bestseller Nowość Promocja
Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. Każde zagadnienie zostało dokładnie wyjaśnione i opatrzone zbiorem praktycznych ćwiczeń z kodem w Pythonie. Nauczysz się także implementować poszczególne modele i zrozumiesz, czym się kierować przy wyborze technik i algorytmów do rozwiązywania konkretnych scenariuszy przyczynowych. To przewodnik, który docenią szczególnie inżynierowie uczenia maszynowego i analitycy danych.- Druk
- PDF + ePub + Mobi pkt
Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko
(65,40 zł najniższa cena z 30 dni)
70.85 zł
109.00 zł (-35%) -
Bestseller Nowość Promocja
Ta książka łączy perspektywy inżynierów, ludzi biznesu, przedstawicieli rządów i społeczników. Ułatwia zrozumienie korzyści i szans, jakie niosą ze sobą autonomiczne systemy oparte na uczeniu maszynowym. Zawiera siedem ważnych zasad, które pozwolą na ograniczanie ryzyka nadużyć i wypadków związanych z AI, a także zapewnią, by technologie tego rodzaju służyły rozwojowi ludzkości. Cztery z zasad dotyczą samych systemów i ich projektowania: uwzględniania ryzyka dla ludzi, przejrzystości działania, zapewnienia ochrony danych osobowych i ograniczania tendencyjności. Pozostałe trzy odnoszą się do organizacji tworzących systemy AI, stosowanych w nich procedur i kultury organizacyjnej. Co ważne, w książce znalazły się przykłady dobrych praktyk, jak również liczne rzeczowe uwagi i pożyteczne wskazówki.- Druk
- PDF + ePub + Mobi pkt
Dylemat sztucznej inteligencji. 7 zasad odpowiedzialnego tworzenia technologii Dylemat sztucznej inteligencji. 7 zasad odpowiedzialnego tworzenia technologii
(32,94 zł najniższa cena z 30 dni)
35.69 zł
54.90 zł (-35%) -
Bestseller Nowość Promocja
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbioru danych. W książce znajdziesz receptury przydatne do rozwiązywania szerokiego spektrum problemów, od przygotowania i wczytania danych aż po trenowanie modeli i korzystanie z sieci neuronowych. W ten sposób wyjdziesz poza rozważania teoretyczne czy też matematyczne koncepcje i zaczniesz tworzyć aplikacje korzystające z uczenia maszynowego.- Druk
- PDF + ePub + Mobi pkt
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
(53,40 zł najniższa cena z 30 dni)
57.84 zł
89.00 zł (-35%) -
Promocja
Tę książkę docenią wszyscy zainteresowani eksploracją danych i uczeniem maszynowym, którzy chcieliby pewnie poruszać się w świecie nauki o danych. Pokazano tu, w jaki sposób Excel pozwala zobrazować proces ich eksplorowania i jak działają poszczególne techniki w tym zakresie. Przejrzyście wyjaśniono metody eksploracji danych, a następnie zaprezentowano procedurę budowania ich implementacji w Excelu. Nawet tak złożone zagadnienia, jak algorytmy uczenia maszynowego, zostały wytłumaczone nadzwyczaj przystępnie. Przewodnik został pomyślany tak, aby umożliwić aktywne zdobywanie wiedzy, a niejako przy okazji podnieść umiejętności w posługiwaniu się arkuszem kalkulacyjnym na wyższy poziom.- Druk
- PDF + ePub + Mobi pkt
Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku
(40,20 zł najniższa cena z 30 dni)
43.55 zł
67.00 zł (-35%) -
Promocja
Oto drugie, zaktualizowane i uzupełnione wydanie przewodnika po bibliotece Pandas. Dzięki tej przystępnej książce nauczysz się w pełni korzystać z możliwości oferowanych przez bibliotekę, nawet jeśli dopiero zaczynasz przygodę z analizą danych w Pythonie. Naukę rozpoczniesz z użyciem rzeczywistego zbioru danych, aby wkrótce rozwiązywać złożone problemy danologii, takie jak obsługa brakujących danych, stosowanie regularyzacji czy też używanie metod nienadzorowanego uczenia maszynowego do odnajdywania podstawowej struktury w zbiorze danych. Pracę z poszczególnymi zagadnieniami ułatwia to, że zostały one zilustrowane prostymi, ale praktycznymi przykładami.- Druk
- PDF + ePub + Mobi pkt
Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II
(65,40 zł najniższa cena z 30 dni)
70.85 zł
109.00 zł (-35%) -
Zanurz się w fascynujący świat programowania w języku Python i osiągnij imponujący poziom umiejętności w zaledwie 24 godziny! Oto kilka zalet, które sprawiają, że ta książka jest niezbędna dla każdego aspirującego programisty: Szybki start: podstawy Pythona już w pierwszych godzinach nauki Krok po kroku: zrozumiałe instrukcje pomogą przejść przez
- PDF + ePub + Mobi pkt
Python w 1 dzień. Nauka programowania w Pythonie w 24 godziny od A do Z Python w 1 dzień. Nauka programowania w Pythonie w 24 godziny od A do Z
-
Promocja
To książka przeznaczona dla osób, które pracują ze zbiorami danych. Jest praktycznym przewodnikiem po koncepcjach algebry liniowej, pomyślanym tak, by ułatwić ich zrozumienie i zastosowanie w użytecznych obliczeniach. Poszczególne zagadnienia przedstawiono za pomocą kodu Pythona, wraz z przykładami ich wykorzystania w nauce o danych, uczeniu maszynowym, uczeniu głębokim, symulacjach i przetwarzaniu danych biomedycznych. Dzięki podręcznikowi nauczysz się arytmetyki macierzowej, poznasz istotne rozkłady macierzy, w tym LU i QR, a także rozkład według wartości osobliwych, zapoznasz się też z takimi zagadnieniami jak model najmniejszych kwadratów i analiza głównych składowych.- Druk
- PDF + ePub + Mobi pkt
Praktyczna algebra liniowa dla analityków danych. Od podstawowych koncepcji do użytecznych aplikacji w Pythonie Praktyczna algebra liniowa dla analityków danych. Od podstawowych koncepcji do użytecznych aplikacji w Pythonie
(46,20 zł najniższa cena z 30 dni)
50.05 zł
77.00 zł (-35%) -
Promocja
Ta książka stanowi wszechstronne omówienie wszystkich bibliotek Pythona, potrzebnych naukowcom i specjalistom pracującym z danymi. Znalazł się tu dokładny opis IPythona, NumPy, Pandas, Matplotlib, Scikit-Learn i innych narzędzi. Podręcznik uwzględnia przede wszystkim ich aspekty praktyczne, dzięki czemu świetnie się sprawdzi w rozwiązywaniu codziennych problemów z manipulowaniem, przekształcaniem, oczyszczaniem i wizualizacją różnych typów danych, a także jako pomoc podczas tworzenia modeli statystycznych i modeli uczenia maszynowego. Docenią go wszyscy, którzy zajmują się obliczeniami naukowymi w Pythonie.- Druk
- PDF + ePub + Mobi pkt
Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II
(77,40 zł najniższa cena z 30 dni)
83.85 zł
129.00 zł (-35%)
O autorach książki
Sebastian Raschka jest ekspertem w dziedzinie analizy danych i uczenia maszynowego. Obecnie przygotowuje doktorat na Michigan State University z metod obliczeniowych w biologii statystycznej. Biegle posługuje się Pythonem. Raschka bierze również udział w różnych projektach open source i wdraża nowe metody uczenia maszynowego. W wolnym czasie pracuje nad modelami predykcyjnymi dyscyplin sportowych. Jeżeli nie siedzi przed monitorem, chętnie uprawia sport.
David Julian, Sebastian Raschka, John Hearty - pozostałe książki
-
Promocja
Oto obszerny przewodnik po uczeniu maszynowym i uczeniu głębokim w Pythonie. Zawiera dokładne omówienie najważniejszych technik uczenia maszynowego oraz staranne wyjaśnienie zasad rządzących tą technologią. Poszczególne zagadnienia zilustrowano mnóstwem wyjaśnień, wizualizacji i przykładów, co znakomicie ułatwia zrozumienie materiału i sprawne rozpoczęcie samodzielnego budowania aplikacji i modeli, takich jak te służące do klasyfikacji obrazów, odkrywania ukrytych wzorców czy wydobywania dodatkowych informacji z danych. Wydanie trzecie zostało zaktualizowane — znalazł się w nim opis biblioteki TensorFlow 2 i najnowszych dodatków do biblioteki scikit-learn. Dodano również wprowadzenie do dwóch nowatorskich technik: uczenia przez wzmacnianie i budowy generatywnych sieci przeciwstawnych (GAN).- Druk
- PDF + ePub + Mobi pkt
Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III
(89,40 zł najniższa cena z 30 dni)
96.85 zł
149.00 zł (-35%) -
Fully updated with PyTorch and the latest additions to scikit-learn. Packed with clear explanations, visualizations, and working examples, the book covers essential machine learning techniques in depth, along with two cutting-edge machine learning techniques: transformers and graph neural networks.
- PDF + ePub pkt
Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python
Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov
-
This third edition is updated with TensorFlow 2 and the latest additions to scikit-learn. Packed with clear explanations, visualizations, and working examples, the book covers essential machine learning techniques in depth, along with two cutting-edge machine learning techniques: reinforcement learning and generative adversarial networks.
- PDF + ePub + Mobi pkt
Python Machine Learning. Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2 - Third Edition Python Machine Learning. Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2 - Third Edition
-
Ta książka jest drugim, wzbogaconym i zaktualizowanym wydaniem znakomitego podręcznika do nauki o danych. Wyczerpująco opisano tu teoretyczne podwaliny uczenia maszynowego. Sporo uwagi poświęcono działaniu algorytmów uczenia głębokiego, sposobom ich wykorzystania oraz metodom unikania istotnych błędów. Dodano rozdziały prezentujące zaawansowane informacje o sieciach neuronowych: o sieciach splotowych, służących do rozpoznawania obrazów, oraz o sieciach rekurencyjnych, znakomicie nadających się do pracy z danymi sekwencyjnymi i danymi szeregów czasowych. Poszczególne zagadnienia zostały zilustrowane praktycznymi przykładami kodu napisanego w Pythonie, co ułatwi bezpośrednie zapoznanie się z tematyką uczenia maszynowego.
- Druk
- PDF + ePub + Mobi pkt
Czasowo niedostępna
-
PyTorch is extremely powerful and yet easy to learn. It provides advanced features such as supporting multiprocessor, distributed and parallel computation. This book is an excellent entry point for those wanting to explore deep learning with PyTorch to harness its power.
- PDF + ePub + Mobi pkt
Deep Learning with PyTorch Quick Start Guide. Learn to train and deploy neural network models in Python Deep Learning with PyTorch Quick Start Guide. Learn to train and deploy neural network models in Python
-
Niniejsza książka jest lekturą obowiązkową dla każdego, kto chce rozwinąć swoją wiedzę o danych naukowych i zamierza w tym celu wykorzystać język Python. Przystępnie opisano tu teoretyczne podstawy dziedziny i przedstawiono wyczerpujące informacje o działaniu algorytmów uczenia maszynowego, sposobach ich wykorzystania oraz metodach unikania poważnych błędów. Zaprezentowano również biblioteki Theano i Keras, sposoby przewidywania wyników docelowych za pomocą analizy regresywnej oraz techniki wykrywania ukrytych wzorców metodą analizy skupień. Nie zabrakło opisu technik przetwarzania wstępnego i zasad oceny modeli uczenia maszynowego.
- Druk
- PDF + ePub + Mobi pkt
Czasowo niedostępna
-
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.
- Druk
- PDF + ePub + Mobi pkt
Niedostępna
-
This second edition of Python Machine Learning by Sebastian Raschka is for developers and data scientists looking for a practical approach to machine learning and deep learning. In this updated edition, you’ll explore the machine learning process using Python and the latest open source technologies, including scikit-learn and TensorFlow 1.x.
- PDF + ePub + Mobi pkt
Python Machine Learning. Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow - Second Edition Python Machine Learning. Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow - Second Edition
-
Machine learning is increasingly spreading in the modern data-driven world. It is used extensively across many fields such as search engines, robotics, self-driving cars, and more. Machine learning is transforming the way we understand and interact with the world around us.In the first module, Python Machine Learning Cookbook, you will learn how to
- PDF + ePub + Mobi pkt
Python: Real World Machine Learning. Take your Python Machine learning skills to the next level Python: Real World Machine Learning. Take your Python Machine learning skills to the next level
Prateek Joshi, Luca Massaron, John Hearty, Alberto Boschetti, Bastiaan Sjardin
-
Designed to take you on a guided tour of the most relevant and powerful machine learning techniques in use today by top data scientists, this book is just what you need to push your Python algorithms to maximum potential. Clear examples and detailed code samples demonstrate deep learning techniques, semi-supervised learning, and more - all whilst w
- PDF + ePub + Mobi pkt
Advanced Machine Learning with Python. Solve challenging data science problems by mastering cutting-edge machine learning techniques in Python Advanced Machine Learning with Python. Solve challenging data science problems by mastering cutting-edge machine learning techniques in Python
Victor Marak, Nishant Shukla, John Hearty, Jeffery Yee, Man Chon (Kevin) U, Gavin Hackeling, Sarah Guido, Mikhail Korobov, Andreas Mueller, Aman Madaan
Ebooka "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Booxs i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolonych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły książki
- Tytuł oryginału:
- Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning
- ISBN Ebooka:
- 978-17-871-2857-6, 9781787128576
- Data wydania ebooka :
- 2016-08-31 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
- Język publikacji:
- 1
- Rozmiar pliku Pdf:
- 13.9MB
- Rozmiar pliku ePub:
- 23.1MB
- Rozmiar pliku Mobi:
- 35.2MB
- Zgłoś erratę
- Kategorie:
Programowanie » Python - Programowanie
Uczenie maszynowe
Spis treści książki
- Python: Deeper Insights into Machine Learning
- Table of Contents
- Python: Deeper Insights into Machine Learning
- Python: Deeper Insights into Machine Learning
- Credits
- Preface
- What this learning path covers
- What you need for this learning path
- Who this learning path is for
- Reader feedback
- Customer support
- Downloading the example code
- Errata
- Piracy
- Questions
- 1. Module 1
- 1. Giving Computers the Ability to Learn from Data
- Building intelligent machines to transform data into knowledge
- The three different types of machine learning
- Making predictions about the future with supervised learning
- Classification for predicting class labels
- Regression for predicting continuous outcomes
- Solving interactive problems with reinforcement learning
- Discovering hidden structures with unsupervised learning
- Finding subgroups with clustering
- Dimensionality reduction for data compression
- Making predictions about the future with supervised learning
- An introduction to the basic terminology and notations
- A roadmap for building machine learning systems
- Preprocessing getting data into shape
- Training and selecting a predictive model
- Evaluating models and predicting unseen data instances
- Using Python for machine learning
- Installing Python packages
- Summary
- 2. Training Machine Learning Algorithms for Classification
- Artificial neurons a brief glimpse into the early history of machine learning
- Implementing a perceptron learning algorithm in Python
- Training a perceptron model on the Iris dataset
- Adaptive linear neurons and the convergence of learning
- Minimizing cost functions with gradient descent
- Implementing an Adaptive Linear Neuron in Python
- Large scale machine learning and stochastic gradient descent
- Summary
- 3. A Tour of Machine Learning Classifiers Using Scikit-learn
- Choosing a classification algorithm
- First steps with scikit-learn
- Training a perceptron via scikit-learn
- Modeling class probabilities via logistic regression
- Logistic regression intuition and conditional probabilities
- Learning the weights of the logistic cost function
- Training a logistic regression model with scikit-learn
- Tackling overfitting via regularization
- Maximum margin classification with support vector machines
- Maximum margin intuition
- Dealing with the nonlinearly separable case using slack variables
- Alternative implementations in scikit-learn
- Solving nonlinear problems using a kernel SVM
- Using the kernel trick to find separating hyperplanes in higher dimensional space
- Decision tree learning
- Maximizing information gain getting the most bang for the buck
- Building a decision tree
- Combining weak to strong learners via random forests
- K-nearest neighbors a lazy learning algorithm
- Summary
- 4. Building Good Training Sets Data Preprocessing
- Dealing with missing data
- Eliminating samples or features with missing values
- Imputing missing values
- Understanding the scikit-learn estimator API
- Handling categorical data
- Mapping ordinal features
- Encoding class labels
- Performing one-hot encoding on nominal features
- Partitioning a dataset in training and test sets
- Bringing features onto the same scale
- Selecting meaningful features
- Sparse solutions with L1 regularization
- Sequential feature selection algorithms
- Assessing feature importance with random forests
- Summary
- Dealing with missing data
- 5. Compressing Data via Dimensionality Reduction
- Unsupervised dimensionality reduction via principal component analysis
- Total and explained variance
- Feature transformation
- Principal component analysis in scikit-learn
- Supervised data compression via linear discriminant analysis
- Computing the scatter matrices
- Selecting linear discriminants for the new feature subspace
- Projecting samples onto the new feature space
- LDA via scikit-learn
- Using kernel principal component analysis for nonlinear mappings
- Kernel functions and the kernel trick
- Implementing a kernel principal component analysis in Python
- Example 1 separating half-moon shapes
- Example 2 separating concentric circles
- Projecting new data points
- Kernel principal component analysis in scikit-learn
- Summary
- Unsupervised dimensionality reduction via principal component analysis
- 6. Learning Best Practices for Model Evaluation and Hyperparameter Tuning
- Streamlining workflows with pipelines
- Loading the Breast Cancer Wisconsin dataset
- Combining transformers and estimators in a pipeline
- Using k-fold cross-validation to assess model performance
- The holdout method
- K-fold cross-validation
- Debugging algorithms with learning and validation curves
- Diagnosing bias and variance problems with learning curves
- Addressing overfitting and underfitting with validation curves
- Fine-tuning machine learning models via grid search
- Tuning hyperparameters via grid search
- Algorithm selection with nested cross-validation
- Looking at different performance evaluation metrics
- Reading a confusion matrix
- Optimizing the precision and recall of a classification model
- Plotting a receiver operating characteristic
- The scoring metrics for multiclass classification
- Summary
- Streamlining workflows with pipelines
- 7. Combining Different Models for Ensemble Learning
- Learning with ensembles
- Implementing a simple majority vote classifier
- Combining different algorithms for classification with majority vote
- Evaluating and tuning the ensemble classifier
- Bagging building an ensemble of classifiers from bootstrap samples
- Leveraging weak learners via adaptive boosting
- Summary
- 8. Applying Machine Learning to Sentiment Analysis
- Obtaining the IMDb movie review dataset
- Introducing the bag-of-words model
- Transforming words into feature vectors
- Assessing word relevancy via term frequency-inverse document frequency
- Cleaning text data
- Processing documents into tokens
- Training a logistic regression model for document classification
- Working with bigger data online algorithms and out-of-core learning
- Summary
- 9. Embedding a Machine Learning Model into a Web Application
- Serializing fitted scikit-learn estimators
- Setting up a SQLite database for data storage
- Developing a web application with Flask
- Our first Flask web application
- Form validation and rendering
- Turning the movie classifier into a web application
- Deploying the web application to a public server
- Updating the movie review classifier
- Summary
- 10. Predicting Continuous Target Variables with Regression Analysis
- Introducing a simple linear regression model
- Exploring the Housing Dataset
- Visualizing the important characteristics of a dataset
- Implementing an ordinary least squares linear regression model
- Solving regression for regression parameters with gradient descent
- Estimating the coefficient of a regression model via scikit-learn
- Fitting a robust regression model using RANSAC
- Evaluating the performance of linear regression models
- Using regularized methods for regression
- Turning a linear regression model into a curve polynomial regression
- Modeling nonlinear relationships in the Housing Dataset
- Dealing with nonlinear relationships using random forests
- Decision tree regression
- Random forest regression
- Summary
- 11. Working with Unlabeled Data Clustering Analysis
- Grouping objects by similarity using k-means
- K-means++
- Hard versus soft clustering
- Using the elbow method to find the optimal number of clusters
- Quantifying the quality of clustering via silhouette plots
- Organizing clusters as a hierarchical tree
- Performing hierarchical clustering on a distance matrix
- Attaching dendrograms to a heat map
- Applying agglomerative clustering via scikit-learn
- Locating regions of high density via DBSCAN
- Summary
- Grouping objects by similarity using k-means
- 12. Training Artificial Neural Networks for Image Recognition
- Modeling complex functions with artificial neural networks
- Single-layer neural network recap
- Introducing the multi-layer neural network architecture
- Activating a neural network via forward propagation
- Classifying handwritten digits
- Obtaining the MNIST dataset
- Implementing a multi-layer perceptron
- Training an artificial neural network
- Computing the logistic cost function
- Training neural networks via backpropagation
- Developing your intuition for backpropagation
- Debugging neural networks with gradient checking
- Convergence in neural networks
- Other neural network architectures
- Convolutional Neural Networks
- Recurrent Neural Networks
- A few last words about neural network implementation
- Summary
- Modeling complex functions with artificial neural networks
- 13. Parallelizing Neural Network Training with Theano
- Building, compiling, and running expressions with Theano
- What is Theano?
- First steps with Theano
- Configuring Theano
- Working with array structures
- Wrapping things up a linear regression example
- Choosing activation functions for feedforward neural networks
- Logistic function recap
- Estimating probabilities in multi-class classification via the softmax function
- Broadening the output spectrum by using a hyperbolic tangent
- Training neural networks efficiently using Keras
- Summary
- Building, compiling, and running expressions with Theano
- 1. Giving Computers the Ability to Learn from Data
- 2. Module 2
- 1. Thinking in Machine Learning
- The human interface
- Design principles
- Types of questions
- Are you asking the right question?
- Tasks
- Classification
- Regression
- Clustering
- Dimensionality reduction
- Errors
- Optimization
- Linear programming
- Models
- Geometric models
- Probabilistic models
- Logical models
- Features
- Unified modeling language
- Class diagrams
- Object diagrams
- Activity diagrams
- State diagrams
- Summary
- 2. Tools and Techniques
- Python for machine learning
- IPython console
- Installing the SciPy stack
- NumPY
- Constructing and transforming arrays
- Mathematical operations
- Matplotlib
- Pandas
- SciPy
- Scikit-learn
- Summary
- 3. Turning Data into Information
- What is data?
- Big data
- Challenges of big data
- Data volume
- Data velocity
- Data variety
- Data models
- Data distributions
- Data from databases
- Data from the Web
- Data from natural language
- Data from images
- Data from application programming interfaces
- Challenges of big data
- Signals
- Data from sound
- Cleaning data
- Visualizing data
- Summary
- 4. Models Learning from Information
- Logical models
- Generality ordering
- Version space
- Coverage space
- PAC learning and computational complexity
- Tree models
- Purity
- Rule models
- The ordered list approach
- Set-based rule models
- Summary
- Logical models
- 5. Linear Models
- Introducing least squares
- Gradient descent
- The normal equation
- Logistic regression
- The Cost function for logistic regression
- Multiclass classification
- Regularization
- Summary
- Introducing least squares
- 6. Neural Networks
- Getting started with neural networks
- Logistic units
- Cost function
- Minimizing the cost function
- Implementing a neural network
- Gradient checking
- Other neural net architectures
- Summary
- 7. Features How Algorithms See the World
- Feature types
- Quantitative features
- Ordinal features
- Categorical features
- Operations and statistics
- Structured features
- Transforming features
- Discretization
- Normalization
- Calibration
- Principle component analysis
- Summary
- Feature types
- 8. Learning with Ensembles
- Ensemble types
- Bagging
- Random forests
- Extra trees
- Boosting
- Adaboost
- Gradient boosting
- Ensemble strategies
- Other methods
- Summary
- 9. Design Strategies and Case Studies
- Evaluating model performance
- Model selection
- Gridsearch
- Learning curves
- Real-world case studies
- Building a recommender system
- Content-based filtering
- Collaborative filtering
- Reviewing the case study
- Insect detection in greenhouses
- Reviewing the case study
- Building a recommender system
- Machine learning at a glance
- Summary
- 1. Thinking in Machine Learning
- 3. Module 3
- 1. Unsupervised Machine Learning
- Principal component analysis
- PCA a primer
- Employing PCA
- Introducing k-means clustering
- Clustering a primer
- Kick-starting clustering analysis
- Tuning your clustering configurations
- Self-organizing maps
- SOM a primer
- Employing SOM
- Further reading
- Summary
- Principal component analysis
- 2. Deep Belief Networks
- Neural networks a primer
- The composition of a neural network
- Network topologies
- Restricted Boltzmann Machine
- Introducing the RBM
- Topology
- Training
- Applications of the RBM
- Further applications of the RBM
- Introducing the RBM
- Deep belief networks
- Training a DBN
- Applying the DBN
- Validating the DBN
- Further reading
- Summary
- Neural networks a primer
- 3. Stacked Denoising Autoencoders
- Autoencoders
- Introducing the autoencoder
- Topology
- Training
- Denoising autoencoders
- Applying a dA
- Introducing the autoencoder
- Stacked Denoising Autoencoders
- Applying the SdA
- Assessing SdA performance
- Further reading
- Summary
- Autoencoders
- 4. Convolutional Neural Networks
- Introducing the CNN
- Understanding the convnet topology
- Understanding convolution layers
- Understanding pooling layers
- Training a convnet
- Putting it all together
- Applying a CNN
- Understanding the convnet topology
- Further Reading
- Summary
- Introducing the CNN
- 5. Semi-Supervised Learning
- Introduction
- Understanding semi-supervised learning
- Semi-supervised algorithms in action
- Self-training
- Implementing self-training
- Finessing your self-training implementation
- Improving the selection process
- Contrastive Pessimistic Likelihood Estimation
- Self-training
- Further reading
- Summary
- 6. Text Feature Engineering
- Introduction
- Text feature engineering
- Cleaning text data
- Text cleaning with BeautifulSoup
- Managing punctuation and tokenizing
- Tagging and categorising words
- Tagging with NLTK
- Sequential tagging
- Backoff tagging
- Creating features from text data
- Stemming
- Bagging and random forests
- Testing our prepared data
- Cleaning text data
- Further reading
- Summary
- 7. Feature Engineering Part II
- Introduction
- Creating a feature set
- Engineering features for ML applications
- Using rescaling techniques to improve the learnability of features
- Creating effective derived variables
- Reinterpreting non-numeric features
- Using feature selection techniques
- Performing feature selection
- Correlation
- LASSO
- Recursive Feature Elimination
- Genetic models
- Performing feature selection
- Engineering features for ML applications
- Feature engineering in practice
- Acquiring data via RESTful APIs
- Testing the performance of our model
- Twitter
- Translink Twitter
- Consumer comments
- The Bing Traffic API
- Deriving and selecting variables using feature engineering techniques
- The weather API
- Acquiring data via RESTful APIs
- Further reading
- Summary
- 8. Ensemble Methods
- Introducing ensembles
- Understanding averaging ensembles
- Using bagging algorithms
- Using random forests
- Applying boosting methods
- Using XGBoost
- Using stacking ensembles
- Applying ensembles in practice
- Understanding averaging ensembles
- Using models in dynamic applications
- Understanding model robustness
- Identifying modeling risk factors
- Strategies to managing model robustness
- Understanding model robustness
- Further reading
- Summary
- Introducing ensembles
- 9. Additional Python Machine Learning Tools
- Alternative development tools
- Introduction to Lasagne
- Getting to know Lasagne
- Introduction to TensorFlow
- Getting to know TensorFlow
- Using TensorFlow to iteratively improve our models
- Knowing when to use these libraries
- Introduction to Lasagne
- Further reading
- Summary
- Alternative development tools
- 10. Chapter Code Requirements
- 1. Unsupervised Machine Learning
- A. Biblography
- Index
Packt Publishing - inne książki
-
This book focuses on developing a capacity to manage cybersecurity incidents by practically implementing methodologies, platforms, and tools through step-by-step exercises. You'll learn how to respond to cybersecurity incidents using intelligence-based threat hunting techniques.
- pkt
Incident Response with Threat Intelligence. Practical insights into developing an incident response capability through intelligence-based threat hunting - Second Edition Incident Response with Threat Intelligence. Practical insights into developing an incident response capability through intelligence-based threat hunting - Second Edition
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
The Power Platform Administration Guide addresses the most important topic in the enterprise space today: No Code/Low Code applications. Gone are the days of thousands of lines of code. Apps are now built by business users and citizen developers with point-and-click ease. If you want to know everything about Power Platform, this book is for you
- pkt
Power Platform Administration Guide. An expert's advice on deploying, managing, and maintaining enterprise-grade cloud applications at any scale Power Platform Administration Guide. An expert's advice on deploying, managing, and maintaining enterprise-grade cloud applications at any scale
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Comprehensive guide for implementing CI/CD through tried and tested Design Patterns. It helps you to discover the full potential of CI/CD through industry implemented CI/CD design patterns and improve robustness & resilience for CI/CD.
- pkt
CI/CD Design Patterns. Design and implement CI/CD through tried and tested design patterns CI/CD Design Patterns. Design and implement CI/CD through tried and tested design patterns
Garima Bajpai, Pawel Piwosz, Michel Schildmeijer, Muktesh Mishra
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Defense Evasion Techniques is an exciting and important resource for security professionals and enthusiasts who want to stay ahead of the curve in the ever-evolving cybersecurity landscape. This book delves into defense evasion techniques used in red team operations and penetration testing, providing invaluable insights into how attackers bypass or avoid detection. By understanding and these cutting-edge tactics, readers will be better equipped to assess their existing security measures, identify areas for improvement, and ultimately strengthen their organization's security posture. Don't miss the opportunity to gain a competitive edge in the cybersecurity field by mastering the art of defense evasion.
- pkt
Defense Evasion Techniques. A comprehensive guide to defense evasion tactics for Red Teams and Penetration Testers Defense Evasion Techniques. A comprehensive guide to defense evasion tactics for Red Teams and Penetration Testers
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Cybersecurity is one of the key aspects for all organizations, especially in the era of malware attacks and phishing. Cutting-edge data protection systems are the key to a thriving organization, and this is where penetration testing can truly make a difference. ParrotSec has some exciting features to compete with large players like Kali and become the next big thing. This book is a comprehensive guide to all Parrot Security features, complete with advice on how to properly use it for penetration testing.
- pkt
Ethical Hacking with Parrot OS. Put your knowledge to work with offensive security techniques and try a Kali Linux alternative Ethical Hacking with Parrot OS. Put your knowledge to work with offensive security techniques and try a Kali Linux alternative
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
This book equips you with the knowledge and skills to start on the electronics journey to create your own solutions or make the transition from software development to the dynamic domain of Embedded Systems.
- pkt
Electronic Essentials for Robotics. All about electronics to build modern systems and robotics using tinyML and AI Electronic Essentials for Robotics. All about electronics to build modern systems and robotics using tinyML and AI
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Mastering Windows Privilege Escalation is a comprehensive guide that delves into the significance of privilege escalation, explores Windows security mechanisms, and provides practical insights into bypassing security barriers. This book takes you on a comprehensive journey through the intricate world of privilege escalation.
- pkt
Mastering Windows Privilege Escalation. Reveal Windows' secrets and explore artful access methods Mastering Windows Privilege Escalation. Reveal Windows' secrets and explore artful access methods
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Nowość
API Security for White Hat Hackers is a comprehensive guide that simplifies API security by showing you how to identify and fix vulnerabilities. From emerging threats to best practices, this book helps you defend and safeguard your APIs.- PDF + ePub pkt
API Security for White Hat Hackers. Uncover offensive defense strategies and get up to speed with secure API implementation API Security for White Hat Hackers. Uncover offensive defense strategies and get up to speed with secure API implementation
-
Authors Irena Cronin and Robert Scoble answer the question of what Spatial Computing is and help you to understand where an augmented reality - where humans and machines can interact in a physical space – came from and where it's going.
- pkt
The Infinite Retina. Spatial Computing, Augmented and Mixed Reality and the next tech revolution - Second Edition The Infinite Retina. Spatial Computing, Augmented and Mixed Reality and the next tech revolution - Second Edition
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna -
Applied Graph Deep Learning crafts intelligent systems by decoding real-world data's interconnected nature with modern Deep Learning. Sophisticated graph-based models yield precision, unraveling fresh insights across diverse domains.
- pkt
Applied Deep Learning on Graphs. Leveraging Graph Data to Generate Impact Using Specialized Deep Learning Architectures Applied Deep Learning on Graphs. Leveraging Graph Data to Generate Impact Using Specialized Deep Learning Architectures
W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna
Dzięki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep@helion.pl
Książka drukowana
Oceny i opinie klientów: Python: Deeper Insights into Machine Learning. Deeper Insights into Machine Learning David Julian, Sebastian Raschka, John Hearty (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.