машинное обучение в Python для всех

mark fenner

Искусственный интеллект и машинное обучение развиваются с необычайной динамикой и находят все больше и больше разных приложений практически во всех отраслях. Этот впечатляющий прогресс тесно связан с достижениями в мире аппаратного и программного обеспечения. В настоящее время многие языки программирования используются для машинного обучения, таких как R, C, C ++, Fortran and Go, но Python и его специализированные библиотеки оказались самым популярным выбором. Знание этих библиотек и инструментов позволяет создавать системы даже для тех, кто не обладает глубокими знаниями в области математики.

Эта книга предназначена для всех, кто немного знает Python и хочет изучать машинное обучение. Математические проблемы здесь были представлены в минимальной степени, но больше внимания было уделено концепциям, в которых основывались наиболее важные и наиболее используемые инструменты и методы машинного обучения. Затем практические принципы реализации машинного обучения были показаны с использованием наиболее совершенных библиотек и инструментов Python. Компоненты систем обучения, включая методы классификации и регрессии, а также инженерные признаки, которые позволяют вам преобразовать данные в полезную форму, были описаны сегодня. Были проанализированы многочисленные алгоритмы и наиболее распространенные методы машинного обучения. Были кратко представлены модели GRAF и нейронные сети, в том числе глубокие сети, а также комбинацию этих методов с более продвинутыми методами, полезными даже в работе над графическими и текстовыми данными.

В книге, среди прочего:

• Алгоритмы машин и модели машинного обучения
• Трансформация данных
• Методы машинного обучения для изображения и текста
• Нейронные сети и графические модели
• Библиотека Scikit-undern и другие инструменты Python
Python: с сегодняшнего дня для всех!

автор

Доктор Марк Феннер - преподает информатику и математику для взрослых. Он провел исследования в области машинного обучения, биоинформатики и безопасности компьютерных систем. Он также имел дело с безопасностью программных репозиториев, вероятностным моделированием белка и анализом и визуализацией данных из экологических и микроскопических тестов. Он живет со своей семьей в юго-восточной Пенсильвании.

Собственное содержание

Предисловие 15

Введение 17

О авторе 23

Часть I. Первые шаги 25

Глава 1 Hello 27

• 1.2. Область, терминология, прогнозирование и данные 28

  1.2.1. Особенности 28

  1.2.2. Целевые значения и прогнозы 31

• 1.3. Роль машины в машинном обучении 31
• 1.4. Пример систем обучения 33

  1.4.1. Прогноз категории: примеры классификации 33

  1.4.2. Прогнозирование значений- примеры регрессоров 35

• 1,5. Оценка систем обучения 35

  1.5.1. Правильность 36

  1.5.2. Использование ресурсов 37

• 1.6. Процесс создания систем обучения 38
• 1.7. Предположения и реальность обучения 40
• 1,8. Завершение главы 42

  1,8.1. Дорога впереди нас 42

  1.8.2. Примечания 43

Глава 2. Технический контекст 45

• 2.1. О нашей конфигурации 45
• 2,2. Необходимость иметь математический язык 45
• 2.3. Наше программное обеспечение для столкновения с машинным обучением 46
• 2,4. Вероятность 47

  2.4.1. Элементарные события 48

  2.4.2. Независимость событий 50

  2.4.3. Условная вероятность 50

  2.4.4. Распределения 52

• 2,5. Линейные комбинации, суммы