Praktyczne uczenie maszynowe

Marcin Szeliga

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-01-20784-7

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2019

Liczba stron:

482

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Szeliga, Marcin. Praktyczne uczenie maszynowe. Red. . Warszawa: Wydawnictwo Naukowe PWN, 2019, 482 s. ISBN 978-83-01-20784-7

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Szeliga, M.

T1 Praktyczne uczenie maszynowe

PB Wydawnictwo Naukowe PWN

PP Warszawa

YR 2019

SN 978-83-01-20784-7

Bibliografia BibTex:

@Book{ 211774, author = "Szeliga, Marcin", editor = "", title = "Praktyczne uczenie maszynowe", publisher = "Wydawnictwo Naukowe PWN", year = "2019", address = "Warszawa", isbn = "978-83-01-20784-7" }

Bibliografia endNote:

TY - BOOK

AU - Szeliga, Marcin

ED -

TI - Praktyczne uczenie maszynowe

PB - Wydawnictwo Naukowe PWN

CY - Warszawa

PY - 2019

SN - 978-83-01-20784-7

ER -

Netografia (standard APA):

Szeliga, Marcin. Praktyczne uczenie maszynowe [baza danych online] Warszawa: Wydawnictwo Naukowe PWN, 2019 [dostęp: 22 07 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/praktyczne-uczenie-maszynowe-marcin-szeliga-211774.

sztuczna inteligencja, SQL, Python, Data Science, uczenie maszynowe, język R, inżynieria danych, modele uczenia maszynowego, algorytmy uczenia maszynowego, systemy uczenia maszynowego

Ostatnia dekada to czas bezprecedensowego rozwoju sztucznej inteligencji – nie tylko przełomowych badań nad algorytmami uczenia maszynowego, ale również coraz powszechniejszego stosowania inteligentnych maszyn w najróżniejszych dziedzinach n...

Więcej

ISBN/ISSN:

978-83-01-20784-7

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2019

Liczba stron:

482

XML:ISBN/ISSN:

ONIX MARC21

Od autora10
Sztuczna inteligencja16
O książce 22
Dla kogo jest ta22
Narzędzia23
Przykłady24
Bibliografia25
Konwencje i oznaczenia25
1. Narzędzia 26
1.1. Język Python27
1.2. Język R27
1.2.1. Microsoft R Open (MRO)29
1.2.2. Microsoft R Client (MRC)29
1.3. SQL Server 201930
1.2.3. Microsoft Machine Learning Server (MLS)30
1.3.1. Instalacja31
1.3.2. Microsoft SQL Server Machine Learning Services35
1.3.3. Bezpieczeństwo44
1.3.4. Wydajność47
1.4. PyCharm Community Edition54
1.5. RStudio Desktop55
1.6. Instalacja dodatkowych pakietów57
1.7. Power BI Desktop61
2. Praca z SQL Server Machine Learning Services 62
2.1. Wykrywanie oszustw62
2.2. Klasyfikacja przejazdów71
2.3. Dodatkowe funkcjonalności serwera SQL Server i usługi SQL Machine Learning Services82
2.3.1. Zapytania predykcyjne czasu rzeczywistego82
2.3.2. Natywne zapytania predykcyjne84
2.3.3. Tworzenie modeli dla partycji danych85
3. Wstęp do uczenia maszynowego 90
3.1. Rodzaje uczenia maszynowego91
3.2. Proces uczenia93
3.3. Modele regresji99
3.4. Modele partycjonujące113
3.5. Metodyka CRISP-DM130
3.6. Metodyka TDSP132
4. Zrozumienie danych134
4.1. Poznanie danych wymaga zrozumienia postawionego problemu135
4.2. Statystyki opisowe136
4.2.1. Zmienne numeryczne138
4.2.2. Zmienne kategoryczne148
4.3. Brakujące dane149
4.4. Entropia150
4.5. Ocena zmiennych za pomocą programu Power BI151
4.6. Ocena zmiennych przy użyciu języka SQL153
4.6.1. Automatyczny opis zmiennych158
4.7. Wizualizacja zmiennych162
4.8. Reprezentatywność danych166
4.9. Korelacje między zmiennymi168
4.9.1. Klątwa wymiarowości169
4.9.2. Ocena przydatności zmiennych172
4.9.3. Dwie zmienne numeryczne173
4.9.4. Dwie zmienne kategoryczne175
4.9.5. Dwie zmienne porządkowe176
4.9.6. Zmienna kategoryczna i numeryczna177
4.9.7. Korelacja oznacza współwystępowanie, a nie związek przyczynowo-skutkowy178
4.10. Ocena korelacji za pomocą programu Power BI179
4.11. Ocena korelacji przy użyciu języka SQL181
5. Przygotowanie danych 184
5.1. Uporządkowanie danych186
5.2. Wzbogacanie danych191
5.2.1. Data i czas197
5.3. Wyczyszczenie danych198
5.3.1. Usuwanie brakujących wartości198
5.3.2. Usuwanie duplikatów201
5.3.3. Usuwanie błędnych danych202
5.3.4. Usuwanie wartości odstających203
5.4. Przekształcenie danych205
5.4.1. Kodowanie205
5.4.2. Generalizacja208
5.4.3. Zaokrąglanie210
5.4.4. Dyskretyzacja210
5.4.5. Skalowanie213
5.4.6. Wygładzanie216
5.5. Redukcja danych223
5.5.1. Selekcja zmiennych223
5.5.2. Analiza składowych głównych225
5.5.3. Wybór zmiennych przydatnych dla modelu229
5.6. Podział danych230
5.6.1. Podział warstwowy231
5.6.2. Równoważenie danych232
5.6.3. k-krotna walidacja krzyżowa234
5.7. Danych walidacyjnych używa się do optymalizacji, a nie do oceny modeli237
5.8. Kto miał szansę przeżyć katastrofę Titanica?238
6. Analiza skupień250
6.1. Grupowanie w celu zmniejszenia liczby przykładów251
6.2. Algorytmy iteracyjno-optymalizacyjne253
6.3. Segmentacja260
7. Regresja 270
7.1. Zrozumienie problemu270
7.2. Zrozumienie danych272
7.3. Opisanie danych278
7.4. Ocena przydatności danych281
7.5. Wzbogacenie danych282
7.6. Ocena zmiennych283
7.7. Przekształcenie i wybór danych284
7.8. Modelowanie287
7.8.1. Uczenie na błędach288
7.8.2. Regresja liniowa295
7.8.3. Ogólny model liniowy GLM300
7.8.4. Sztuczne sieci neuronowe303
7.8.5. Drzewa regresyjne320
7.8.6. Kombinacje modeli324
7.9. Porównanie modeli325
7.10. Wdrożenie modeli po stronie serwera SQL329
8. Klasyfikacja 334
8.1. Klasyfikacja binarna335
8.1.1. Przygotowanie danych336
8.1.2. Regresja logistyczna338
8.1.3. Sztuczne sieci neuronowe344
8.1.4. Klasyfikacja przez indukcję drzew decyzyjnych349
8.1.5. Kombinacje modeli361
8.1.6. Porównanie modeli365
8.1.7. Wdrożenie modeli po stronie serwera SQL369
8.2. Klasyfikacja wieloklasowa373
8.2.1. Przygotowanie danych376
8.2.2. Regresja logistyczna378
8.2.3. Sztuczne sieci neuronowe381
8.2.4. Klasyfikacja przez indukcję drzew decyzyjnych384
8.2.5. Porównanie modeli390
8.2.6. Wdrożenie modeli po stronie serwera SQL392
9. Ocena modeli 398
9.1. Nie ma darmowego lunchu399
9.2. Błędy modeli predykcyjnych400
9.2.1. Błąd systematyczny i błąd aproksymacji402
9.3. Kryteria oceny modeli regresji405
9.3.1. Średni błąd bezwzględny406
9.3.2. Pierwiastek błędu średniokwadratowego406
9.3.3. Znormalizowany błąd bezwzględny407
9.3.4. Znormalizowany błąd kwadratowy407
9.3.5. Współczynnik determinacji R2408
9.3.6. Ocena modelu prognozującego pozostały czas bezawaryjnej pracy urządzeń408
9.4. Kryteria oceny modeli klasyfikacji binarnej413
9.4.1. Macierz błędów414
9.4.2. Trafność415
9.4.3. Precyzja416
9.4.4. Czułość416
9.4.5. F-miara417
9.4.6. Współczynnik Kappa Cohena417
9.4.7. Krzywa ROC i obszar pod krzywą418
9.4.8. Ocena modelu klasyfikującego urządzenia jako wymagające lub niewymagające przeglądu419
9.5. Kryteria oceny modeli klasyfikacji wieloklasowej428
9.5.1. Macierz błędów428
9.5.2. Metryki klasy większościowej429
9.5.3. Metryki poszczególnych klas429
9.5.4. Średnie makro430
9.5.5. Średnie mikro431
9.6. Ocena modelu klasyfikującego urządzenia do przeglądu432
9.7. Interpretacja predykcji438
10. Optymalizacja i wdrożenie modeli 442
10.1. Zrozumienie problemu442
10.2. Zrozumienie i przygotowanie danych443
10.2.1. Import danych444
10.2.2. Ocena danych449
10.3. Modelowanie457
10.4. Optymalizacja461
10.5. Wdrożenie467
10.5.1. Analiza typu Co by było, gdyby?471
Posłowie476
Bibliografia478

Danetonowaropa.

CliveHumby,DataScientistwStarcount,2006

Sztucznainteligencjatonowaenergiaelektryczna.

AndrewNg,DataScientistwBaidu,założycielCoursera,

profesornauniwersytecieStanforda,2016

Odautora

Wciąguostatnich50latwydanosetkipracpoświęconychuczeniumaszynowemu.Wwięk-

szościznichskoncentrowanosięnazagadnieniachteoretycznych,takichjakstatystyka,rachu-

nekprawdopodobieństwaorazbudowaizasadadziałaniaalgorytmówuczeniamaszynowego.

Zawartewtychksiążkachprzykładyalbosąopisowe,albozawierająbardzoproste,wpraktyce

nieużywanefragmentykodu.Pozostałetopozycjeczystopraktyczne,przedstawiającesposób

budowaniakonkretnychmodeliuczeniamaszynowego,wktórychnieznajdziemywyjaśnienia

działaniazastosowanychalgorytmówiwynikającychztychzasadogólniejszychwskazówek.

Książekłączącychteorięzpraktykąjestniewiele,szczególniepolskojęzycznych.Mamswój

pewienwkładwichliczbę–najpierwnapisałempraceoeksploracjidanychzużyciemusług

analitycznychserweraSQL[1],[2],anastępnieouczeniumaszynowymwchmurze[3].Zdoby-

wanewkrajowychimiędzynarodowychprojektachdoświadczenie,atakżerosnącadostępność

corazłatwiejszychwużyciuijednocześniecorazbardziejfunkcjonalnychnarzędziuczenia

maszynowegopozwoliłyminapisaćtęksiążkę.

Opisałemwniejrozwiązaniakilkunastutypowychproblemów,takichjakprognozowanie

zysków,optymalizacjakampaniimarketingowej,proaktywnakonserwacjasprzętuczyoceny

ryzykakredytowego.Ichukładjestcelowy–każdyprzykładjestokazjądowyjaśnieniaokre-

ślonychzagadnień,zaczynającodnarzędzi,przezpodstawyuczeniamaszynowego,sposoby

ocenyjakościdanychiichprzygotowaniadodalszejanalizy,zasadytworzeniamodeliucze-

niamaszynowegoiichoptymalizacji,powskazówkidotyczącewdrożeniagotowychmodeli

doprodukcji.Wszystkieprzykładysąprowadzonewedługpowszechniestosowanejmetodyki

CRISP-DM(CRossIndustryStandardProcessforDataMining)[4].

Brak wyników

Praktyczne uczenie maszynowe

Treść książki

Znajdź bibliotekę blisko siebie, i uzyskaj dostęp do ebooka w systemie IBUK Libra