Gépi tanulás kezdőknek - 2. kiadás

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.

Eredeti címe:

Machine Learning for Beginners - 2nd Edition

Könyv tartalma:

Tanulja meg, hogyan építsen ki egy teljes gépi tanulási csővezetéket a jellemzőkivonás, a jellemzőválasztás és az algoritmusok képzésének elsajátításával.

Kulcsfontosságú funkciók

● A gépi tanulás alapelveinek szilárd megértése.

● A gépi tanulásban a pontos adat-előrejelzés és kategorizálás regressziós és osztályozási módszereinek elsajátítása.

● Merüljön el a fejlett gépi tanulás témáiban, beleértve a felügyelet nélküli tanulást és a mély tanulást.

Leírás

A „Gépi tanulás kezdőknek” második kiadása a gépi tanulás kulcsfontosságú fogalmaival és témáival foglalkozik.

A könyv a gépi tanulás alapelveinek bemutatásával kezdődik, majd az adatok előfeldolgozásának tárgyalása következik. Ezután rátér a jellemzők kinyerésére és kiválasztására, és átfogóan tárgyalja a különböző technikákat, például a Fourier-transzformációt, a rövid idejű Fourier-transzformációt és a helyi bináris mintákat. A továbbiakban a könyv tárgyalja a főkomponens-elemzést és a lineáris diszkriminancia-elemzést. Ezután a könyv kitér a modell reprezentációjának, a képzésnek, a tesztelésnek és a keresztellenőrzésnek a témakörére. Hangsúlyt fektet a regresszióra és az osztályozásra, elmagyarázza és megvalósítja az olyan módszereket, mint a gradiens süllyedés. Az alapvető osztályozási technikákat, köztük a k-legközelebbi szomszédok, a logisztikus regresszió és a naiv Bayes módszereket is részletesen tárgyalja. A könyv ezután áttekintést nyújt a neurális hálózatokról, beleértve azok biológiai hátterét, a perceptron korlátait és a backpropagation modellt. Kitér továbbá a támogató vektor gépekre és a kerneles módszerekre is. A döntési fák és az ensemble modellek is szóba kerülnek. A könyv utolsó része betekintést nyújt a felügyelet nélküli tanulásba és a mélytanulásba, átfogó áttekintést nyújtva az olvasóknak ezekről a haladó témákról.

A könyv végére jól felkészült lesz a gépi tanulás felfedezésére és alkalmazására különböző valós forgatókönyvekben.

Amit tanulni fog

● Készségek elsajátítása az adatok hatékony előkészítéséhez a gépi tanulási feladatokhoz.

● Megtanulja, hogyan kell a semmiből tanulási algoritmusokat implementálni.

● Kihasználja a scikit-learn képességeit a gyakori algoritmusok hatékony megvalósításához.

● Megismerkedik a különböző Feature Selection és Feature Extraction módszerekkel.

● Ismerje meg, hogyan kell klaszterező algoritmusokat megvalósítani.

Kinek szól ez a könyv

Ez a könyv mind az egyetemi és posztgraduális informatikus hallgatóknak, mind pedig azoknak a szakembereknek szól, akik a Python alapszintű ismeretét feltételezve szeretnének átlépni a gépi tanulás magával ragadó birodalmába.

Tartalomjegyzék

I. szakasz: Alapjai

1. Bevezetés a gépi tanulásba

2. A kezdetek: Az adatok előfeldolgozása

3. Jellemzők kiválasztása

4. Jellemzők kinyerése

5. Modellfejlesztés

II. szakasz: Felügyelt tanulás

6. Regresszió

7. K-közelebbi szomszédok

8. Osztályozás: Bayes osztályozó: Logisztikus regresszió és Naïve Bayes osztályozó.

9. Neurális hálózat I: A perceptron

10. Neurális hálózat II: A többrétegű perceptron

11. Támogató vektoros gépek

12. Döntési fák

13. Bevezetés az együttes tanulásba

III. szakasz: Felügyelet nélküli tanulás és mélytanulás

14. Klaszterezés

15. Mély tanulás

Függelék: Fogalomtár

2. függelék: Módszerek/technikák

Függelék: Fontos mérőszámok és képletek

4. függelék: Vizualizáció - Matplotlib

Válaszok a többszörös választási kérdésekre

Bibliográfia