Практика машинного обучения: анализ данных на основе Python Abdul Hamach Subari
Цена: 2 000руб. (¥111.2)
Артикул: 666836821330
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:上海书城旗舰店
Адрес:Шанхай
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥29.2526руб.
¥22.8410руб.
¥29.9538руб.
¥26468руб.
Эта книга является руководством по созданию реальной интеллектуальной системы.Предоставляет комплексный метод, который содержит концепции, практику, практические примеры и примеры кода, и учит читателей понимать и решать важные навыки, необходимые для различных вопросов машинного обучения.Представляя реальные исследования в области экосистемы Python Machine Learning, профессор стал необходимой технологией машинного обучения для успешного практикующего.Эта книга также фокусируется на базовых знаниях машинного обучения для решения реальных случаев в разных областях, включая анализ биомедицинских сигналов, медицинскую помощь, безопасность, экономику и финансы.Кроме того, он охватывает широкий спектр моделей машинного обучения, включая регрессию, классификацию и прогноз.
Переводчик
Предисловие
Спасибо
Глава 1 Введение 1
1.1 Что такое машинное обучение 1
1.1.1 Зачем мне использовать машинное обучение 2
1.1.2. Принять решение о решении 3
1.1.3 Определение и ключевой термин 4
1.1.4 Ключевая задача машинного обучения 6
1.1.5 Технология машинного обучения 6
1.2 Структура машинного обучения 6
1.2.1 Сбор данных 7
1.2.2 Описание данных 7
1.2.3 Исследовательский анализ данных 7
1.2.4 Анализ качества данных 8
1.2.5 Подготовка данных 8
1.2.6 Интеграция данных 8
1.2.7 Организация данных 8
1.2.8 Уменьшение функций и извлечение элементов 9
1.2.9 Выбор функций и сокращение размеров 9
1.2.10 Моделирование 9
1.2.11 Выберите технологию моделирования 9
1.2.12 Строительная модель 10
1.2.13 Оценка и настройка модели 10
1.2.14 Модели реализации и проверки, которые были созданы 10
1.2.15 Среда обучения надзора 11 11
1.2.16 Неконтролируемая структура обучения 11
1.3 Оценка эффективности 12
1.3.1 Матрица путаницы 13
1.3.2 F Анализ значения 14
1.3.3 Анализ ROC 15
1.3.4 Каппа статистика 15
1.3.5 Что вы измеряете 16
1.3.6 Как измерить 17
1.3.7 Как объяснить оценку 17
1.3.8 K Складная проверка перекрестной проверки в Scikit-learn 18
1.3.9 Как выбрать правильный алгоритм 18
1.4 Среда Python Machine Learning 18
1.4.1 дефект 20
1.4.2 Недостатки 20
1.4.3 Библиотека Numpy 20
1.4.4 Панды 20
1.5 Сводка этой главы 21
1.6 Ссылки 22
Глава 2 Данные предварительны 23
2.1 Введение 23
2.2 Извлечение и преобразование объекта 24
2.2.1 Тип функции 24
2.2.2 Статистические функции 25
2.2.3 Структурные особенности 27
2.2.4 Преобразование функций 28
2.2.5 Порогово и дискретная 28
2.2.6 Операция данных 28
2.2.7 Стандартизация 29
2.2.8 Нормализация и калибровка 33
2.2.9 Неполные функции 34
2.2.10 Метод извлечения метода 36
2.2.11 Используйте волны для преобразования для извлечения функций 38
2.3 Сокращение измерения 45
2.3.1 Структура и выбор функций 47
2.3.2 Выбор функций с одной переменной 48
2.3.3 Рекурсивные функции устраняют 51
2.3.4 Из функции выбора модели 52
2.3.5 Анализ основного композиции 53
2.3.6 Увеличьте PCA 57
2.3.7 Ядерная PCA 58
2.3.8 Анализ смежного композиции 59
2.3.9 Независимый анализ ингредиентов 61
2.3.10 Анализ линейного суждения 65
2.3.11 Энтропия 67
2.4 Следуйте извлечение признаков и уменьшение размеров 68
2.5 Ссылки 75
Глава 3 Технология машинного обучения 77
3.1 Введение 77
3.2 Что такое машинное обучение 78
3.2.1 Понять машинное обучение 78
3.2.2 Как позволить машинному обучению 78
3.2.3 Multi -Disciplinary Field 79
3.2.4 Проблема машинного обучения 80
3.2.5 Цель машинного обучения 80
3.2.6 Задача машинного обучения 81
3.3 Библиотека Python 81
3.3.1 Scikit-learn 81
3.3.2 Tensorflow 83
3.3.3 Керас 84
3.3.4 Используйте кера для построения модели 84
3.3.5 Инструмент натурального языка 85
3.4 Сцена обучения 87
3.5 Алгоритм обучения надзора 88
3.5.1 Классификация 89
3.5.2 Прогноз, прогноз и возврат 90
3.5.3 Линейная модель 90
3.5.4 Машина восприятия 98
3.5.5 Логическая регрессия 100
3.5.6 Анализ линейного суждения 102
3.5.7 Искусственная нейронная сеть 105
3.5.8 K рядом с соседями 109
3.5.9.
3.5.10 Классификатор дерева решений 118
3.5.11 Простой байес 123
3.5.12 Интегрированное обучение 126
3.5.13 Алгоритм мешков 127
3.5.14 Случайный лес 131
3.5.15 Алгоритм повышения 136
3.5.16 Другие интегрированные методы 146
3.5.17 Глубокое обучение 151
3.5.18 Глубокая нейронная сеть 152
3.5.19 Круглая нейронная сеть 155
3.5.20 Self -coder 157
3.5.21 Long -временная сеть памяти 157
3.5.22 Развертка нейронная сеть 160
3.6 Неконтролируемое обучение 162
3,6,1 К Средний алгоритм 163
3.6.2 Коэффициент контура 165
3.6.3 Аномальное обнаружение 167
3.6.4 Правила царства раскопки 170
3.7 Укрепление обучения 170
3.8 Исследование на основе экземпляра 171
3.9 Резюме этой главы 171
3.10 Ссылки 172
Глава 4 Пример здравоохранения категория 174
4.1 Введение 174
4.2 Анализ сигналов ЭЭГ 175
4.2.1 Прогнозирование и тест эпилепсии 176
4.2.2 Эмоциональное признание 194
4.2.3. Классификация ножевых и не -задние эпилепсии ЭЭГ сигнализирует 201
4.2.4 Обнаружение миграфии 212
4.3 Анализ сигналов EMG 217
4.3.1 Диагностика нервно -мышечного заболевания 218
4.3.2 Сигнал EMG в протезном контроле 225
4.3.3 Сигнал EMG в реабилитационных роботах 232
4.4 Анализ сигналов ЭКГ 238
4.5 Распознавание деятельности человека 247
4.5.1 Распознавание активности человека на основе датчиков 248
4.5.2 Идентификация активности человека на основе смартфонов 250
4.6.
4.7 Тест на рак молочной железы 257
4.8 Классификация данных ЭКГ риска плода 260
4.9 Диабет 263
4.10 Сердечный тест 267
4.11 Диагностика хронического заболевания почек 270
4.12 Эта глава - резюме 273
4.13 Ссылки 273
Глава 5 Другое пример классификации 277
5.1 Обнаружение вторжения 277
5.2 Обнаружение веб -сайта 280
5.3 Spam Test 283
5.4 Кредитный рейтинг 287
5.5 Обнаружение мошенничества с кредитной картой 290
5.6 Используйте CNN для номеров почерка, чтобы идентифицировать 297
5.7 Используйте CNN, чтобы классифицировать классификацию изображений мод-мнист. 306
5.8 Используйте CNN CIFAR Classification 313
5.9 Текстовая классификация 321
5.10 Эта глава - саммит 334
5.11 Ссылки 334
Глава 6 Пример возврата 337
6.1 Введение 337
6.2 Прогноз доходов от индекса цен на фондовый рынок 338
6.3 Прогноз инфляции 356
6.4 Прогноз загрузки питания 358
6.5 Прогнозирование скорости ветра 365
6.6 Прогноз спроса на поездки 370
6.7 Прогноз цены дома 380
6.8 Использование предсказания использования велосипедов 395
6.9 Эта глава - резюме 399
6.10 Ссылки 400
Глава 7 Пример классификации 402
7.1 ВВЕДЕНИЕ 402
7.2 Кластер 403
7.2.1 Оценка выхода кластеризации 404
7.2.2 Применение кластерного анализа 404
7.2.3 Возможная кластеризация 405
7.2.4 Классификация кластерного алгоритма 405
7,3 K Средний алгоритм кластера 406
7,4 K Алгоритм кластера центральной точки 408
7,5 уровня кластера 409
7.5.1 Сбор Алгоритм кластера 409
7.5.2 Алгоритм кластеризации разделения 412
7.6 Определенный Средний Алгоритм упаковки 416
7.7 Алгоритм кластеризации на основе плотности 418
7.7.1 DBSCAN Algorithm 418
7.7.2 Алгоритм оптического кластера 420
7.8 на основе ожидаемого алгоритма смешанного моделей Gaussian Model 423
7.9 Байесовский кластер 426
7.10 Анализ контура 428
7.11 Ароматическая сегментация изображений 430
7.12 Извлечение кластерных функций 433
7.13 Классификация на основе кластера 439
7.14 Резюме этой главы 442
7.15 Ссылки 442……Предисловие/Предисловие Быстрое развитие решений машинного обучения и его широко распространенное применение в отрасли значительно способствует его способности наблюдать (обучение) из разных областей, чтобы узнать способность сложных моделей решать практические проблемы.Как правило, необходимо заплатить много времени и затрат, чтобы создать эффективную модель обучения и получить надежные результаты.Основные концепции проекта, как правило, могут быть завершены следующими способами: Создайте надежный конвейер процесса данных и используйте извлечение и выбор функций для анализа и визуализации данных, моделирования.Следовательно, для надежного решения машинного обучения оно включает не только структуру разработки модели машинного обучения, но и успешный модуль предварительной обработки, визуализацию, интеграцию системы и настройки звука.Python - это инновационный язык программирования с различными функциями.
Непрерывное развитие технологий сделало интеллектуальные организации и предприятия, вызванные данными реальностью.Сегодня, когда данные стали главным приоритетом, спрос на рынке на машинного обучения и практикующих наук о данных огромно.На самом деле, мы сталкиваемся с нехваткой ученых данных и экспертов по машинному обучению.Самое горячее занятие в 21 -м веке, без сомнения, имеет опыт опыта в этой области.
Технология машинного обучения -это серия компьютерных алгоритмов, в том числе искусственные нейронные сети, k pro -neighbor -алгоритмы, машины поддержки векторных, алгоритмы дерева решений и глубокое обучение.Машинное обучение в настоящее время используется во многих областях, особенно в экономике, безопасности, медицинской помощи, биомедицинской и биомедицинской инженерии.Эта книга представляет, как использовать технологию машинного обучения для анализа данных в этих областях.
У авторов этой книги есть много опыта, которые используют Python и их экосистемы машинного обучения для решения практических проблем.Эта книга направлена на улучшение навыков читателей и позволяет каждому создавать реальные решения машинного обучения.В то же время эта книга также представляет собой руководство по созданию проблемы реальных интеллектуальных систем.В то же время эта книга также включает в себя важные навыки, необходимые для читателей для понимания и решения различных проблем машинного обучения.
Для читателей, которые проходят машинное обучение и разработку, эта книга является отличной ссылкой, потому что книга содержит практические случаи, разработанные многими средами машинного обучения Python для разработки.Эта книга направлена на то, чтобы заложить прочную основу для читателей для использования знаний о машинном обучении для решения реальных проблем в разных областях.Кроме того, эта книга также представляет ряд моделей машинного обучения, включая регрессию, классификацию, кластеризацию и прогнозирование.
В этой книге есть семь глав.Глава 1 в основном вводит анализ данных на основе машинного обучения.Глава 2 Обзор.Глава 3 Обзор Некоторые общие технологии машинного обучения для прогнозирования, прогнозирования и классификации, такие как простые байесы, k близких соседей, искусственные нейронные сети, векторные машины поддержки, деревья решений, случайные леса, мешерство, улучшение, укладку, голосование, голосование, глубокий нейрон Сеть, круговая нейронная сеть и сверточная нейронная сеть.Глава 4 в основном представляет случаи классификации в области медицинской помощи, включая технологии, обычно используемые при анализе и распознавании биомедицинских сигналов, таких как ЭКГ (ЭКГ), ЭЭГ (ЭЭГ) и обработка сигнала Muscato (EMG).Кроме того, глава 4 также вводит некоторые случаи классификации медицинских данных, такие как распознавание поведения человека, а также рак, рак молочной железы, диабет и тестирование сердечных заболеваний на основе гена микроаборта.Глава 5 в основном вводит некоторые практические приложения, включая обнаружение вторжений, обнаружение рыболовного веб -сайта, обнаружение спама, кредитный рейтинг, обнаружение мошенничества с кредитными картами, почербное цифровое распознавание, классификацию изображений и классификацию текста.Глава 6 в основном вводит некоторые случаи технологии регрессии, такие как анализ фондового рынка, прогноз экономической переменной, прогноз мощности, прогноз скорости ветра, прогноз спроса на туризм и прогноз цен на жилье.Глава 7 включает в себя некоторые неконтролируемые технологии обучения (кластеры).
Основная цель этой книги - помочь читателям, включая ИТ -специалистов, аналитиков, разработчиков, ученых и инженеров данных оценить способность решать практические проблемы.Кроме того, эта книга также может быть использована в качестве учебника для выпускников в области науки о данных и машинного обучения.В то же время эта книга может помочь исследователям установить основу для анализа данных с использованием технологии машинного обучения.Кроме того, эта книга также поможет читателям, включая исследователей, специалистов, ученых и ряд дисциплин, особенно тех, кто только что начал анализировать сигналы, анализ медицинских данных, прогноз финансовых и экономических данных и компьютерные читатели при применении машинного обучения Технология в таких областях, как безопасность.
Примеры, предоставленные этой книгой, должны установить Python 3.x или более высокие версии на MacOS, Linux или Microsoft Windows.Примеры кода в этой книге часто используют базовую библиотеку Python, такую как Scipy, Numpy, Scikit-Learn, Matplotlib, Pandas, OpenCV, TensorFlow и Keras.……
Каталог продуктов загружен ...
