Šta obuhvata knjiga Python mašinsko učenje

Šta obuhvata ova knjiga

U Poglavlju 1, „Kako da računarima pružite mogućnost da uče iz podataka“, predstavićemo glavne podoblasti mašinskog učenja koje se koriste za rešavanje različitih problema. Osim toga, opisaćemo osnovne korake za kreiranje tipične protočne obrade izgradnje modela mašinskog učenja, koji će nas pratiti u narednim poglavljima.

U Poglavlju 2, „Treniranje jednostavnih algoritama mašinskog učenja za klasifikaciju“, vraćamo se na početke mašinskog učenja i predstavljamo binarne klasifikatore perceptrona i adaptivne linearne neurone. Predstavićemo osnove klasifikacije obrazaca i fokusiraćemo se na interakciju algoritama optimizacije i mašinskog učenja.

U Poglavlju 3, „Predstavljanje klasifikatora mašinskog učenja pomoću scikit-learna“, opisaćemo važne algoritme mašinskog učenja za klasifikaciju i obezbedićemo praktične primere upotrebom scikit-learna, jedne od najpopularnih i sveobuhvatnijih biblioteka mašinskog učenja otvorenog koda.

U Poglavlju 4, „Izgradnja dobrih skupova podataka za trening - pretprocesiranje podataka“, opisaćemo kako se rešavaju najčešći problemi u neobrađenim skupovima podataka, kao što je podatak koji nedostaje. Takođe ćemo predstaviti nekoliko pristupa za identifikaciju najinformativnijih atributa u skupovima podataka i način kako se pripremaju promenljive različitih tipova kao pravilni unosi za algoritme mašinskog učenja.

U Poglavlju 5, „Kompresovanje podataka upotrebom redukcije dimenzionalnosti“, upoznaćete tehnike za redukciju broja atributa u skupovima podataka na manje skupove, uz zadržavanje većine njihovih korisnih i diskriminitornih informacija. Osim toga, opisaćemo standardni pristup za redukciju dimenzionalnosti analizom glavnih komponenata i njihovim upoređivanjem sa nadgledanim tehnikama nelinearne transformacije.

U Poglavlju 6, „Učenje najbolje prakse za procenu modela i podešavanje hiperparametara“, saznaćete šta treba, a šta ne treba da radite za procenu performanse prediktivnih modela. Upoznaćete i različite metrike za merenje performanse modela i tehnika za fino podešavanje algoritama mašinskog učenja.

U Poglavlju 7, „Kombinovanje različitih modela za učenje udruživanjem“, predstavićemo različite koncepte efikasnog kombinovanja većeg broja algoritama učenja. Istražićemo kako se grade ansambli stručnjaka, koji će prevazići slabosti pojedinačnih učenika, što dovodi do tačnijih i pouzdanijih predviđanja.

U Poglavlju 8, „Primena mašinskog učenja na analizu sentimenta“, opisaćemo osnovne korake za transformisanje tekstualnih podataka u smislene reprezentacije za algoritme mašinskog učenja za predviđanje mišljenja ljudi na osnovu njihovog pisanja.

U Poglavlju 9, „Ugrađivanje modela mašinskog učenja u veb aplikacije“, nastavićemo upotrebu prediktivnog modela iz prethodnog poglavlja i vodićemo vas kroz osnovne korake razvoja veb aplikacija sa ugrađenim modelima mašinskog učenja.

U Poglavlju 10, „Predviđanje kontinualnih ciljnih promenljivih pomoću analize regresije“, opisaćemo osnovne tehnike za modelovanje linearnog odnosa između cilja i promenljivih odgovora za izvršavanje kontinualnog predviđanja. Nakon predstavljanja različitih linearnih modela, biće reči o polinomnoj regresiji i pristupima zasnovanim na stablu.

U Poglavlju 11, „Upotreba neoznačenih podataka - analiza grupisanja“, fokus prebacujemo na različite podoblasti mašinskog učenja, odnosno na nenadgledano učenje. Opisaćemo algoritme iz tri osnovne familije algoritama za grupisanje, koji pronalaze grupe objekata i dele određeni stepen sličnosti.

U Poglavlju 12, „Implementiranje višeslojnih veštačkih neuronskih mreža 'od nule'“, proširićemo koncept optimizacije zasnovane na gradijentu, koju smo predstavili u Poglavlju 2. Izgradićemo moćne višeslojne neuronske mreže (NN) na osnovu popularnog algoritma propagacije greške unazad u Pythonu.

Poglavlje 13, „Paralelizacija treninga neuronske mreže pomoću TensorFlowa“, nadovezuje se na znanje stečeno u prethodnom poglavlju za obezbeđivanje efikasnijeg praktičnog vodiča za trening NN-a. Fokus u ovom poglavlju je na TensorFlowu 2.0, Python biblioteci otvorenog koda koja omogućava da iskoristimo više jezgara modernih procesora (GPU-a) i konstruišemo duboke NN-e iz zajedničkih gradivnih blokova pomoću jednostavnog Keras API-a.

U Poglavlju 14, „Detaljnije - mehanika TensorFlowa“, nastavićemo razmatranje teme iz prethodnog poglavlja i predstavićemo naprednije koncepte i funkcionalnosti TensorFlowa 2.0. TensorFlow je izuzetno velika i sofisticirana biblioteka i u ovom poglavlju ćemo vas provesti kroz koncepte, kao što su kompajliranje koda u statičke grafove za brže izvršenje i definisanje parametara modela koji se mogu trenirati. Osim toga, obezbedićemo dodatnu praktičnu vežbu treniranja dubokih neuronskih mreža upotrebom Keras API-a TensorFlowa, kao i unapred definisanih Estimatora Tensor Flowa.

U Poglavlju 15, „Klasifikovanje slika pomoću dubokih konvolucionih neuronskih mreža“, predstavićemo konvolucione neuronske mreže (CNN). CNN predstavlja određeni tip duboke NN arhitekture koja je posebno dobro prilagođena skupovima podataka slika. Zbog svoje superiorne performanse u odnosu na tradicionalne pristupe, CNN se sada koristi u računarskom vidu za postizanje vrhunskih rezultata za različite zadatke prepoznavanja slika. U ovom poglavlju ćete naučiti kako konvolucioni slojevi mogu da se upotrebe kao moćni ekstraktori atributa za klasifikaciju slika.

U Poglavlju 16, „Modelovanje sekvencijalnih podataka upotrebom rekurentnih neuronskih mreža“, upoznaćete još jednu popularnu NN arhitekturu za duboko učenje, koja je posebno dobro prilagođena za upotrebu teksta i drugih tipova sekvencijalnih podataka i podataka vremenskih serija. Kao vežbu zagrevanja, u ovom poglavlju predstavićemo rekurentnu NN za predviđanje sentimenta recenzija filmova. Zatim ćemo opisati učenje rekurentnih mreža da prebacuju informacije iz knjiga da bi generisale potpuno novi tekst.

U Poglavlju 17, „Generativne suparničke mreže za sintetizovanje novih podataka“, predstavićemo popularni suparnički trening režim za NN-e koji može da se upotrebi za generisanje novih slika realističnog izgleda. Poglavlje ćemo započeti kratkim uvodom u autoenkodere koji su poseban tip NN arhitekture koji može da se upotrebi za kompresovanje podataka. Zatim ćemo prikazati kako se kombinuje deo dekodera autoenkodera sa drugom NN, koji može da razlikuje stvarne i sintetizovane slike. Omogućavanjem nadmetanja dve NN u pristupu suparničkog treninga implementiraćemo generativnu suparničku mrežu koja generiše nove ručno pisane cifre. Na kraju, nakon predstavljanja osnovnih koncepata generativnih suparničkih mreža, predstavićemo i poboljšanja koja mogu da stabilizuju suparnički trening, kao što je upotreba Wasserstein metrika udaljenosti.

U Poglavlju 18, „Učenje uslovljavanjem za donošenje odluka u kompleksnim okruženjima“, obuhvatićemo potkategoriju mašinskog učenja koja se često koristi za treniranje robota i drugih autonomnih sistema. Prvo ćemo predstaviti osnove učenja uslovljavanjem (RL) da biste upoznali interakcije agenta/okruženja procesom nagrađivanja RL sistema i konceptom učenja iz iskustva. Obuhvatićemo dve glavne kategorije RL-a: RL koji je zasnovan na modelu i RL bez modela. Nakon što naučite osnovne algoritamske pristupe, kao što su Monte Carlo i vremensko učenje zasnovano na udaljenosti, implementiraćete i trenirati agenta koji može da se kreće kroz mrežu okruženja upotrebom Q-learning algoritma. Na kraju ćemo predstaviti duboki Q-learning algoritam koji je varijanta Q-learning algoritma koji koristi duboke NN-e.

NARUČITE KNJIGU

LINK ZA NARUČIVANJE