Построение систем машинного обучения на языке Python

Построение систем машинного обучения на языке PythonПрограммирование<br>Книга рассчитана на программистов, пишущих на Python и желающих узнать о построении систем машинного обучения с помощью библиотек с открытым исходным кодом. Мы рассматриваем основные модели машинного обучения на примерах, взятых из реальной жизни. Эта книга будет полезна также специалистам по машинному обучению, желающим использовать Python для создания своих систем. <br>В главе 1 Введение в машинное обучение на языке Python читатель знакомится с основной идеей машинного обучения на очень простом примере. Но, несмотря на простоту, в этом примере имеет место опасность переобучения.<br>В главе 2 Классификация в реальной жизни мы используем реальные данные, чтобы продемонстрировать классификацию и научить компьютер различать различные классы цветов.<br>В главе 3 Кластеризация - поиск взаимосвязанных сообщений мы узнаем об эффективности модели набора слов, с помощью которой сумеем найти похожие сообщения, не понимая их смысла.<br>В главе 4 Тематическое моделирование мы не станем ограничиваться отнесением сообщения только к одному кластеру, а свяжем с ним несколько тем, поскольку политематичность характерна для реальных текстов.<br>В главе 5 Классификация - выявление плохих ответов мы узнаем, как применить дилемму смещения-дисперсии к отладке моделей машинного обучения, хотя эта глава посвящена в основном использованию логистической регрессии для оценки того, хорош или плох ответ пользователя на заданный вопрос.<br>В главе 6 Классификация II - анализ эмоциональной окраски объясняется принцип работы наивного байесовского классификатора и описывается, как с его помощью узнать, несет ли твит положительный или отрицательный эмоциональный заряд.<br>В главе 7 Регрессия объясняется, как использовать классический, но не утративший актуальности метод - регрессию - при обработке данных. Вы узнаете и о более сложных методах регрессии, в частности Lasso и эластичных сетях.<br>В главе 8 Рекомендование мы построим систему рекомендования на основе выставленных потребителями оценок. Мы также узнаем, как формировать рекомендации, имея только данные о покупках, безо всяких оценок (которые пользователи выставляют далеко не всегда). В главе 9 Классификация по музыкальным жанрам мы предположим, что кто-то сознательно внес хаос в нашу огромную коллекцию музыкальных произведений, и единственная надежда навести порядок - поручить машине их классификацию. Как выяснится, иногда лучше довериться чужому опыту, чем создавать признаки самостоятельно.<br>В главе 10  Машинное зрение мы применим методы классификации к обработке изображений, выделяя признаки из данных. Мы также увидим, как с помощью этих методов можно находить похожие изображения в наборе.<br>Из главы 11 Понижение размерности мы узнаем о методах, позволяющих уменьшить объем данных, чтобы алгоритмы машинного обучения могли с ними справиться.<br>В главе 12 Когда данных больше мы рассмотрим некоторые подходы, позволяющие успешно обрабатывать большие наборы данных, задействуя несколько ядер или вычислительные кластеры. Мы также познакомимся с основами облачных вычислений (на примере служб Amazon Web Services).<br>В приложении Где получить дополнительные сведения о машинном обучении перечислены многочисленные полезные ресурсы, посвященные этой теме.<br>Программирование
Книга рассчитана на программистов, пишущих на Python и желающих узнать о построении систем машинного обучения с помощью библиотек с открытым исходным кодом. Мы рассматриваем основные модели машинного обучения на примерах, взятых из реальной жизни. Эта книга будет полезна также специалистам по машинному обучению, желающим использовать Python для создания своих систем.
В главе 1 "Введение в машинное обучение на языке Python" читатель знакомится с основной идеей машинного обучения на очень простом примере. Но, несмотря на простоту, в этом примере имеет место опасность переобучения.
В главе 2 "Классификация в реальной жизни" мы используем реальные данные, чтобы продемонстрировать классификацию и научить компьютер различать различные классы цветов.
В главе 3 "Кластеризация - поиск взаимосвязанных сообщений" мы узнаем об эффективности модели набора слов, с помощью которой сумеем найти похожие сообщения, не "понимая" их смысла.
В главе 4 "Тематическое моделирование" мы не станем ограничиваться отнесением сообщения только к одному кластеру, а свяжем с ним несколько тем, поскольку политематичность характерна для реальных текстов.
В главе 5 "Классификация - выявление плохих ответов" мы узнаем, как применить дилемму смещения-дисперсии к отладке моделей машинного обучения, хотя эта глава посвящена в основном использованию логистической регрессии для оценки того, хорош или плох ответ пользователя на заданный вопрос.
В главе 6 "Классификация II - анализ эмоциональной окраски" объясняется принцип работы наивного байесовского классификатора и описывается, как с его помощью узнать, несет ли твит положительный или отрицательный эмоциональный заряд.
В главе 7 "Регрессия" объясняется, как использовать классический, но не утративший актуальности метод - регрессию - при обработке данных. Вы узнаете и о более сложных методах регрессии, в частности Lasso и эластичных сетях.
В главе 8 "Рекомендование" мы построим систему рекомендования на основе выставленных потребителями оценок. Мы также узнаем, как формировать рекомендации, имея только данные о покупках, безо всяких оценок (которые пользователи выставляют далеко не всегда). В главе 9 "Классификация по музыкальным жанрам" мы предположим, что кто-то сознательно внес хаос в нашу огромную коллекцию музыкальных произведений, и единственная надежда навести порядок - поручить машине их классификацию. Как выяснится, иногда лучше довериться чужому опыту, чем создавать признаки самостоятельно.
В главе 10 " Машинное зрение" мы применим методы классификации к обработке изображений, выделяя признаки из данных. Мы также увидим, как с помощью этих методов можно находить похожие изображения в наборе.
Из главы 11 "Понижение размерности" мы узнаем о методах, позволяющих уменьшить объем данных, чтобы алгоритмы машинного обучения могли с ними справиться.
В главе 12 "Когда данных больше" мы рассмотрим некоторые подходы, позволяющие успешно обрабатывать большие наборы данных, задействуя несколько ядер или вычислительные кластеры. Мы также познакомимся с основами облачных вычислений (на примере служб Amazon Web Services).
В приложении "Где получить дополнительные сведения о машинном обучении" перечислены многочисленные полезные ресурсы, посвященные этой теме.


Подробнее >>>

Weleda Массажное масло с арникой 50 мл

Weleda Массажное масло с арникой 50 мл9363Массажное масло с арникой Масляные вытяжки из арники и березы делают это масло незаменимым средством для разогревающего самомассажа и массажа, улучшая тканевое дыхание и кровоток. Эффективно используется для предотвращения судорог и спазмов. Способствует восстановлению двигательных функций после парезов и параличей, а также при радикулите, остеохондрозе, артрите и артрозе. Не содержит синтетических ароматизаторов, красителей и консервантов, а также сырья на основе минеральных масел. Одобрено дерматологами для использования при очень чувствительной коже и нейродермитах. . Способ применения: после ванны или душа массажными движениями наносить тонким слоем на влажную кожу.МАсло успешно применяется и на сухую кожу.Массажное масло с арникой Масляные вытяжки из арники и березы делают это масло незаменимым средством для разогревающего самомассажа и массажа, улучшая тканевое дыхание и кровоток. Эффективно используется для предотвращения судорог и спазмов. Способствует восстановлению двигательных функций после парезов и параличей, а также при радикулите, остеохондрозе, артрите и артрозе. Не содержит синтетических ароматизаторов, красителей и консервантов, а также сырья на основе минеральных масел. Одобрено дерматологами для использования при очень чувствительной коже и нейродермитах. . Способ применения: после ванны или душа массажными движениями наносить тонким слоем на влажную кожу.МАсло успешно применяется и на сухую кожу.

Подробнее >>>


Ласты для плавания Joss Fins

Пазл Melissa & Doug "На ферме" 12 деталей

Пижама Let'S Go', цвет: розовый

Шторка на заднее стекло "DolleX", цвет: черный, 100 x 57 см

Gezatone Аппарат для ультразвуковой чистки лица HS2307i

Зеркало с фацетом 25 мм в багетной раме 116х176 см; Цвет/размер багета: Алюминий 9 см

Радар-детектор SHO-ME 77 SIGNATURE BLUE, черный

ёл. укр. шар "GRANDE" снеговик, 11х8см, 1шт, красный

Худи Trefoil Camouflage adidas Originals

Bruno Banani Парфюмерный набор "Mans Best": туалетная вода 30 мл, дезодорант 50 мл

SSD накопитель INTEL 540s Series SSDSCKKW480H6X1 480Гб, M.2 2280, SATA III [ssdsckkw480h6x1 948580]

Оцинкованное ведро центроинструмент волшебная страна 1042-5,5-4

Herlitz Точилка с ластиком цвет желтый зеленый синий

Выключатель 2 клавиши 10А/250В с подсветкой бежевый Glossa

Корзина пластиковая бледно-фиолетовая №1 rubi 25л 88710

Накладки на подлокотник Profile Design F35 Carbon Armrest Kit, карбон, черный, ACF35CKT1

Куртка Reima 'Tec Elo', цвет: синий

Пазл Винтик и Шпунтик Кубики печать

Спрей Для Декора, 250 Мл

Мишура новогодняя "Sima-land", цвет: серебристый, сиреневый, диаметр 8 см, длина 200 см. 702578

Zingaro By Gusti Комбинезон, цвет: синий

Псков, Горьковская, Тулун, Комендантский проспект, Арбатская, Самара Октябрьский район, Капотня, Руза, Стрежевой, Красноармейск, Рязанский, Верхний Уфалей, Меленки.