Zaawansowane wyszukiwanie
  Strona Główna » Sklep » Algorytmy Wzorce UML » Deep Learning Uczenie maszynowe » Moje Konto  |  Zawartość Koszyka  |  Do Kasy   
 Wybierz kategorię
Algorytmy Wzorce UML
  Algorytmy
  Deep Learning Uczenie maszynowe
  Inżynieria oprogramowania
  Scrum
  Sztuczna inteligencja
  Techniki programowania
  Wyrażenia regularne
  Wzorce projektowe
  Zarządzanie projektami
Bazy danych
Bezpieczeństwo
Bioinformatyka
Biznes Ekonomia Firma
Chemia
DTP Design
E-biznes
Ekonometria
Elektronika Elektrotechnika
Energetyka
Fizyka
GIS
Grafika użytkowa
Hardware
Informatyczne systemy zarządzania
Informatyka w szkole
Języki programowania
Matematyka
Multimedia
Obsługa komputera
Office
Poradniki
Programowanie gier
Programy inżynierskie
Programy matematyczne
Słowniki
Serwery
Sieci komputerowe
Systemy operacyjne
Technika
Telekomunikacja
Tworzenie stron WWW

Zobacz pełny katalog »
 Wydawnictwo:
 WNT
Termodynamika chemiczna stosowana

Termodynamika chemiczna stosowana

68.25zł
55.28zł
Uczenie maszynowe dla programistów 54.90zł 41.18zł
Uczenie maszynowe dla programistów

Tytuł: Uczenie maszynowe dla programistów
Autor: Drew Conway,John Myles White
ISBN: 978-83-246-9816-5
Ilość stron: 280
Data wydania: 11/2014
Oprawa: Miękka
Format: 168x237
Wydawnictwo: Helion
Cena: 54.90zł 41.18zł


Wyciągnij najlepsze wnioski z dostępnych danych!

Maszyna myśląca jak człowiek to marzenie ludzkości. Dzięki dzisiejszej wiedzy i dostępnym narzędziom wciąż przybliżamy się do jego spełnienia. Zastanawiasz się, jak nauczyć maszynę myślenia? Jak sprawić, żeby podejmowała trafne decyzje oraz przewidywała najbliższą przyszłość na podstawie przygotowanych modeli? Na to i wiele innych pytań odpowiada ta wspaniała książka.

Dzięki niej poznasz język R, nauczysz się eksplorować dostępne dane, określać wartość mediany i odchylenia standardowego oraz wizualizować powiązania między kolumnami. Gdy opanujesz już solidne podstawy teoretyczne, możesz śmiało przejść do kolejnych rozdziałów i zapoznać się z klasyfikacją binarną, tworzeniem rankingów oraz modelowaniem przyszłości przy użyciu regresji. Ponadto zrozumiesz, jak tworzyć systemy rekomendacyjne, analizować sieci społeczne oraz łamać szyfry. Książka ta jest doskonałą lekturą dla pasjonatów analizy danych i wyciągania z nich wniosków.

Każdy rozdział książki jest poświęcony konkretnemu zagadnieniu uczenia maszynowego: klasyfikacji, predykcji, regresji, optymalizacji i wreszcie rekomendacji. Czytelnik nauczy się konstruować proste algorytmy uczenia maszynowego (i przepuszczać przez nie próbki danych) za pomocą języka programowania R. Uczenie maszynowe dla programistów jest więc znakomitą lekturą dla programistów parających się czy to projektami komercyjnymi, czy to rządowymi, czy wreszcie akademickimi.

• Skonstruuj prosty klasyfikator bayesowski odróżniający wiadomości treściwe od niechcianych na podstawie ich zawartości.
• Używaj regresji liniowej do przewidywania liczby odwiedzin najpopularniejszych stron WWW.
• Naucz się optymalizacji, próbując złamać prosty szyfr literowy.
• Statystycznie skonfrontuj poglądy polityków, używając rejestru głosowań.
• Zbuduj system rekomendacji wartościowych twitterowców.

Naucz się czytać i analizować dane!

Książka ta stanowi świetny przegląd przypadków i tuzina różnych technik uczenia maszynowego. Jest ukierunkowana na proces dochodzenia do rozwiązania, a nie gotowe recepty ani abstrakcyjne teorie; dzięki temu jej materiał jest dostępny dla wszystkich programistów, ale też przysłowiowych „umysłów ścisłych".

Spis treści:

1. Język R (13)

 

  • Język R w uczeniu maszynowym (14)
    • Pobieranie i instalowanie R (16)
    • Edytory plików tekstowych i środowiska programistyczne (19)
    • Ładowanie i instalowanie pakietów R (20)
    • Podstawy R w uczeniu maszynowym (23)
    • Dodatkowe materiały o R (36)

2. Eksplorowanie danych (39)

 

  • Analiza eksploracyjna i analiza potwierdzająca (39)
  • Czym są dane? (40)
  • Wnioskowanie o typach danych w kolumnach (43)
  • Wnioskowanie o znaczeniu wartości (45)
  • Podsumowania liczbowe (46)
  • Średnie, mediany i dominanty (46)
  • Kwantyle (48)
  • Odchylenia standardowe i wariancje (49)
  • Eksploracyjne wizualizacje danych (52)
  • Wizualizowanie powiązań pomiędzy kolumnami (67)

3. Klasyfikacja - odsiewanie spamu (73)

 

  • To czy nie to? Klasyfikacja binarna (73)
  • Płynne przejście do prawdopodobieństwa warunkowego (77)
  • Nasz pierwszy bayesowski klasyfikator spamu (78)
    • Definiowanie i testowanie klasyfikatora na wątpliwych wiadomościach treściwych (84)
    • Testowanie klasyfikatora na wiadomościach wszystkich typów (88)
    • Polepszanie wyników klasyfikacji (91)

4. Układanie rankingu - priorytetowa skrzynka pocztowa (93)

 

  • Jak uporządkować, nie znając kryterium? (93)
  • Układanie wiadomości e-mail według ważności (94)
    • Cechy istotności wiadomości e-mail (95)
  • Implementacja skrzynki priorytetowej (99)
    • Funkcje wyłuskujące wartości cech (99)
    • Tworzenie mechanizmu nadawania wag (106)
    • Nadawanie wag na podstawie aktywności w wątku (110)
    • Uczenie i testowanie algorytmu układającego ranking (115)

5. Regresja - przewidywanie odsłon stron (123)

 

  • Wprowadzenie do regresji (123)
    • Model wyjściowy (123)
    • Regresja z użyciem zmiennych sztucznych (126)
    • Podstawy regresji liniowej (128)
  • Przewidywanie odwiedzin stron WWW (135)
  • Definiowanie korelacji (145)

6. Regularyzacja - regresja tekstu (149)

 

  • Nieliniowe zależności pomiędzy kolumnami - świat krzywych (149)
    • Wstęp do regresji wielomianowej (152)
  • Metody zapobiegania nadmiernemu dopasowaniu (158)
    • Zapobieganie nadmiernemu dopasowaniu przez regularyzację (162)
  • Regresja tekstu (166)
    • Pociecha w regresji logistycznej (170)

7. Optymalizacja - łamanie szyfrów (175)

 

  • Wprowadzenie do optymalizacji (175)
  • Regresja grzbietowa (181)
  • Łamanie szyfrów jako problem optymalizacji (185)

8. Analiza głównych składowych - budowanie indeksu rynku (195)

 

  • Uczenie nienadzorowane (195)

9. Skalowanie wielowymiarowe - uwidocznianie podobieństwa polityków (203)

 

  • Grupowanie na podstawie podobieństwa (203)
    • Wprowadzenie do miar odległości i skalowania wielowymiarowego (204)
  • Jak się grupują amerykańscy senatorzy? (209)
    • Analiza rejestrów głosowań w Senacie (kongresy 101. - 111.) (210)

10. kNN - systemy rekomendacyjne (219)

 

  • Algorytm kNN (219)
  • Dane o instalacjach pakietów języka R (224)

11. Analiza grafów społecznych (229)

 

  • Analiza sieci społecznych (229)
    • Myślenie grafowe (231)
  • Pozyskiwanie danych do grafu społecznego Twittera (233)
    • Praca z API usługi SocialGraph (236)
  • Analiza sieci Twittera (241)
    • Lokalna struktura społeczna (242)
    • Wizualizacja pogrupowanej sieci społecznej Twittera w programie Gephi (246)
    • Własny mechanizm rekomendacji wartościowych twitterowiczów (251)

12. Porównanie modeli (259)

 

  • SVM - maszyna wektorów nośnych (259)
  • Porównanie algorytmów (269)

Najniższa cena z 30 dni przed obniżką 41,18zł

Uczenie maszynowe dla programistów
Tytuł książki: "Uczenie maszynowe dla programistów"
Autor: Drew Conway,John Myles White
Wydawnictwo: Helion
Cena: 54.90zł 41.18zł
Klienci, którzy kupili „Uczenie maszynowe dla programistów”, kupili także:

Metody przetwarzania sygnałów akustycznych w komputerowej analizie mowy, Zygmunt Ciota, Wydawnictwo EXIT

Podstawy statystyki z przykładami w R, Tomasz Górecki, Wydawnictwo BTC

Podstawy statystyki dla psychologów z wykorzystaniem pakietu SPSS Podręcznik akademicki Wydanie 2, Wiesław Szymczak, Wydawnictwo Difin

Wprowadzenie do języka Verilog, Zbigniew Hajduk, Wydawnictwo BTC

Podstawy modelowania krzywych i powierzchni Zastosowanie w grafice komputerowej Wydanie II, Przemysław Kiciak, Wydawnictwo WNT

Podstawowy kurs systemów baz danych Wydanie III, Jeffrey D. Ullman, Jennifer Widom, Wydawnictwo Helion

czwartek, 28 marca 2024   Mapa strony |  Nowości |  Dzisiejsze promocje |  Koszty wysyłki |  Kontakt z nami