Себастьян Рашка , Вахид Мирджалили - Python и машинное обучение

обучением

20
20
21
21
22
22

Практика и теория

Почему был выбран язык

Python?

Исследование области машинного обучения
Для кого предназначена эта книга?
Что рассматривается в этой книге?

Что необходимо при работе с этой книгой?

Ждем ваших отзывов!

26
26
28
28

Гnава

29

Соглашения
Загрузка кода примеров

1. Надеnение компьютеров способностью обучения на данных

Построение интеллекrуальных машин для трансформирования данных в знания

Резюме

30
30
31
34
36
38
39
41
42
43
44
45
45
46
46
47
48

Гnава

49

Три типа машинного обучения
Выработка прогнозов о будущем с помощью обучения с учителем
Решение интерактивных задач с помощью обучения с подкреплением
Обнаружение скрытых струкrур с помощью обучения без учителя
Введение в основную терминологию и обозначения

Обозначения и соr:лашения, используемые в книге
Терминология, связанная с машинным обучением

Дорожная карта для построения систем машинного обучения
Предварительная обработка -

приведение данных в приемлемую форму

Обучение и выбор прогнозирующей модели
Оценка моделей и прогнозирование на не встречавшихся ранее образцах данных

Использование

Python для машинного обучения
Установка Python и необходимых пакетов
Использование дистрибутива Anaconda и диспетчера пакетов
Пакеты для научных расчетов, науки о данных и машинного обучения

2. Обучение простых аnгоритмов МО дnя кnассификации

Искусственные нейроны

-

беглое знакомство с ранней историей

машинного обучения
Формальное определение искусственного нейрона

Правило обучения персептрона

[6]

50
51
53

Содержание
Реализация алгоритма обучения персептрона на

Python

Объектно-ориентированный АРl-интерфейс персептрона

Обучение модели персептрона на наборе данных

lris

Адаптивные линейные нейроны и сходимость обучения
Минимизация функций издержек с помощью градиентного спуска
Реализация

Adaline на Python

Улучшение градиентного спуска посредством масштабирования признаков

Крупномасштабное машинное обучение и стохастический градиентный спуск
Резюме

56
56
60
67
68
71
75
78
84

Глава З. Обзор классификаторов на основе машинного обучения
с использованием scikit-learп

85

Выбор алгоритма классификации
Первые шаги в освоении

scikit-leam -

обучение персептрона

Моделирование вероятностей классов посредством логистической регрессии
Понятие логистической регрессии и условные вероятности

Выяснение весов функции издержек для логистической регрессии

Преобразование реализации

Adaline

в алгоритм для логистической регрессии

Обучение логистической регрессионной модели с помощью

scikit-leam

Решение проблемы переобучения с помощью регуляризации
Классификация с максимальным зазором с помощью методов опорных векторов
Понятие максимального зазора

86
87
93
94
98
101
106
109
113
113

Обработка нелинейно сепарабельного случая с использованием

фиктивных переменных
Альтернативные реализации в

scikit-leam

Решение нелинейных задач с применением ядерного метода опорных векторов
Ядерные методы для линейно сепарабельных данных

115
117
118
118

Использование ядерного трюка для нахождения разделяющих
гиперплоскостей в пространстве высокой размерности

Обучение моделей на основе деревьев принятия решений
Доведение до максимума прироста информации

121
124

-

получение наибольшей отдачи

126
131

Построение дерева принятия решений

Объединение множества деревьев принятия решений
с помощью случайных лесов

Метод

k ближайших соседей -

алгоритм ленивого обучения

Резюме

Глава

4.

Построение хороших обучающих наборов

-

предварительная обработка данных
Решение проблемы с недостающими данными
Идентификация недостающих значений в табличных данных

[7]

135
139
143
145
146
146

Содержание
Исключение обучающих образцов или признаков

Резюме

148
149
150
151
152
153
154
155
159
162
165
166
166
169
173
180
183

Глава

185

с недостающими значениями

Условный расчет недостающих значений

Понятие АРI-интерфейса оценщиков

scikit-leam

Обработка --">