Машинне навчання в Python для всіх

Марк Феннер

Штучний інтелект та машинне навчання розвиваються з надзвичайною динамікою та знаходять все більше різних додатків майже у всіх галузях. Цей вражаючий прогрес сильно пов'язаний з досягненнями у світі апаратного та програмного забезпечення. В даний час багато мов програмування використовуються для машинного навчання, таких як R, C, C ++, Fortran та Go, але Python та його спеціалізовані бібліотеки виявилися найпопулярнішим вибором. Знання цих бібліотек та інструментів дозволяє створювати системи навіть для тих, хто не має глибоких знань у галузі математики.

Ця книга призначена для тих, хто трохи знає Python і хоче вивчити машинне навчання. Математичні проблеми тут були представлені мінімально, але більше уваги було приділено поняттям, на яких базувалися найважливіші та найвибагливіші інструменти та методи машинного навчання. Тоді практичні принципи реалізації машинного навчання були показані за допомогою найдосконаліших бібліотек та інструментів Python. Компоненти навчальних систем, включаючи методи класифікації та регресії, а також інженерні ознаки, що дозволяє перетворити дані в корисну форму, були описані сьогодні. Проаналізовані численні алгоритми та найпоширеніші методи машинного навчання. Моделі GRAF та нейронні мережі були коротко представлені, включаючи глибокі мережі, а також поєднання цих методик з більш досконалими методами, корисними навіть у роботі над графічними та текстовими даними.

У книзі, серед інших:

• Алгоритми машин та моделі машинного навчання
• Трансформація даних
• Методи машинного навчання для зображення та тексту
• Нейронні мережі та графічні моделі
• Бібліотека Scikit-Learn та Інші Python? Python: З сьогоднішнього дня для всіх!

  Автор

  Доктор Марк Феннер - викладає інформатику та математику для дорослих. Він провів дослідження в галузі машинного навчання, біоінформатики та безпеки комп'ютерних систем. Він також мав справу з безпекою сховищ програмного забезпечення, імовірнісним моделюванням білка та аналізом та візуалізацією даних екологічних та мікроскопічних тестів. Він живе зі своєю родиною в південно-східній частині Пенсільванії.

  Зміст

  Передмова 15

  Вступ 17

  Про автора 23

  Частина I. Перші кроки 25

  Розділ 1 Привіт 27

• 1.2. Обсяг, термінологія, прогнозування та дані 28

  1.2.1. Особливості 28

  1.2.2. Цільові значення та прогнози 31

• 1.3. Роль машини в машинному навчанні 31
• 1.4. Приклад систем навчання 33

  1.4.1. Прогнозування категорії: приклади класифікації 33

  1.4.2. Прогнозування значень- приклади регресорів 35

• 1.5. Оцінка систем навчання 35

  1.5.1. Правильність 36

  1.5.2. Використання ресурсів 37

• 1.6. Процес побудови систем навчання 38
• 1.7. Припущення та реальність навчання 40
• 1.8. Завершення глави 42

  1.8.1. Дорога попереду нас 42

  1.8.2. Примітки 43

Розділ 2. Технічний контекст 45

• 2.1. Про нашу конфігурацію 45
• 2.2. Необхідність мати математичну мову 45
• 2.3. Наше програмне забезпечення для машинного навчання 46
• 2.4. Ймовірність 47

  2.4.1. Елементарні події 48

  2.4.2. Незалежність подій 50

  2.4.3. Умовна ймовірність 50

  2.4.4. Розподіл 52

• 2,5. Лінійні комбінації, суми