введение в машинное обучение с помощью python руководство для специалистов по работе с данными pdf
Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными (2017)
Описание книги «Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными (2017)»:
Машинное обучение стало неотъемлемой частью различных
коммерческих и исследовательских проектов, начиная от постановки
медицинского диагноза c последующим лечением и заканчивая поиском
друзей в социальных сетях. Многие полагают, что машинное обучение
могут использовать только крупные компании, обладающие мощными
командами аналитиков. В этой книге мы хотим показать вам, с какой
легкостью можно самостоятельно построить модели машинного
обучения, и рассказать, как это сделать. Прочитав эту книгу, вы сможете
построить свою собственную систему машинного обучения, которая
позволит выяснить настроения пользователей Твиттера или получить
прогнозы по поводу глобального потепления. Область применения
машинного обучения безгранична и, учитывая все многообразие данных,
имеющихся на сегодняшний день, ограничивается лишь вашим
воображением.
Данная книга адресована действующим и начинающим специалистам по
машинному обучению, решающим реальные задачи. Эта книга является
вводной и не требует предварительных знаний в области машинного
обучения или искусственного интеллекта. Мы сосредоточимся на
использовании языка Python и библиотеки scikit-learn, рассмотрим все
этапы создания успешного проекта по машинному обучению. Методы,
которые мы затронем, пригодятся ученым и исследователям, а также
специалистам по анализу данных, работающим в различных
коммерческих сферах. Вы получите максимальную отдачу от книги, если
хотя бы немного знакомы с языком Python и библиотеками NumPy и
matplotlib.
Мы приложили сознательные усилия, направленные на то, чтобы вместо
изложения математических подробностей сосредоточиться в большей
степени на практических аспектах использования алгоритмов машинного
обучения. Поскольку математика (в частности, теория вероятностей)
является той основой, на которой строится машинное обучение, мы не
будем детально вдаваться в подробности алгоритмов. Если вас
интересует математический аппарат алгоритмов машинного обучения,
мы рекомендуем книгу издательства Springer The Elements of Statistical
Learning за авторством Тревора Хасти, Роберта Тибширани и Джерома
Фридмана, которая свободно доступна на сайте авторов. Кроме того, мы
не будем рассказывать о том, как написать тот или иной алгоритм
машинного обучения с нуля, и вместо этого сосредоточимся на применении большого спектра моделей, уже реализованных в библиотеке
scikit-learn и других библиотеках.
Глава1.Введение
Глава 2. Методы машинного обучения с учителем
Глава 3. Методы машинного обучения без учителя и
Предварительная обработка данных
Глава 4. Типы данных и конструирование признаков
Глава 5. Оценка и улучшение качества модели
Глава 6. Объединение алгоритмов в цепочки и конвейеры
Глава 7. Работа с текстовыми данными
Глава 8. Подведение итогов
Введение в машинное обучение с помощью Python, Мюллер А., Гвидо С., 2017
Введение в машинное обучение с помощью Python, Мюллер А., Гвидо С., 2017.
Эта книга – фантастический, суперпрактический ресурс для каждого, кто хочет начать использовать машинное обучение в Python – как жаль, что когда я начинала использовать scikit-learn, этой книги не было.
Машинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, однако эта область не является прерогативой больших компаний с мощными аналитическими командами. Даже если вы еще новичок в использовании Python, эта книга познакомит вас с практическими способами построения систем машинного обучения. При всем многообразии данных, доступных на сегодняшний день, применение машинного обучения ограничивается лишь вашим воображением.
Зачем нужно использовать машинное обучение?
На заре появления «интеллектуальных» приложений многие системы использовали жесткие правила «if» и «else» для обработки данных или корректировки информации, введенной пользователем. Вспомните о спам-фильтре, чья работа состоит в том, чтобы переместить соответствующие входящие сообщения электронной почты в папку «Спам». Вы можете составить черный список слов, которые будут идентифицировать письмо как спам. Это пример использования системы экспертных правил для разработки «интеллектуального» приложения. Разработка правил принятия решений в ручном режиме допустимо в некоторых задачах, особенно в тех, где люди четко понимают процесс моделирования. Однако, использование жестких решающих правил имеет два основных недостатка:
• Логика, необходимая для принятия решения, относится исключительно к одной конкретной области и задачи. Даже несущественное изменение задачи может повлечь за собой переписывание всей системы.
• Разработка правил требует глубокого понимания процесса принятия решения.
Один из примеров, где этот жесткий подход потерпит неудачу – это распознавание лиц на изображениях. На сегодняшний день каждый смартфон может распознать лицо на изображении. Тем не менее, распознавание лиц была нерешенной проблемой, по крайней мере, до 2001 года. Основная проблема заключается в том, что способ, с помощью которого компьютер «воспринимает» пиксели, формирующие изображение на компьютере, очень сильно отличается от человеческого восприятия лица. Эта разница в принципе не позволяет человеку сформулировать подходящий набор правил, описывающих лицо с точки зрения цифрового изображения.
СОДЕРЖАНИЕ.
ПРЕДИСЛОВИЕ.
Кому стоит прочитать эту книгу.
Почему мы написали эту книгу.
Структура книги.
Онлайн-ресурсы.
Типографские соглашения.
Использование примеров программного кода.
Благодарности.
ГЛАВА 1. ВВЕДЕНИЕ.
Зачем нужно использовать машинное обучение?.
Задачи, которые можно решить с помощью машинного обучения.
Постановка задач и знакомство с данными.
Почему нужно использовать Python?.
scikit-learn.
Установка scikit-learn.
Основные библиотеки и инструменты.
Jupyter Notebook.
NumPy.
SciPy.
matplotlib.
pandas.
mglearn.
Сравнение Python 2 и Python 3.
Версии библиотек, используемые в этой книге.
Первый пример: классификация сортов ириса.
Загружаем данные.
Метрики эффективности: обучающий и тестовый наборы.
Сперва посмотрите на Ваши данные.
Построение вашей первой модели: метод k ближайших соседей.
Получение прогнозов.
Оценка качества модели.
Выводы и перспективы.
ГЛАВА 2. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ С УЧИТЕЛЕМ.
Классификация и регрессия.
Обобщающая способность, переобучение и недообучение.
Взаимосвязь между сложностью модели и размером набора данных.
Алгоритмы машинного обучения с учителем.
Некоторые наборы данных.
Метод k ближайших соседей.
Линейные модели.
Наивные байесовские классификаторы.
Деревья решений.
Ансамбли деревьев решений.
Ядерный метод опорных векторов.
Нейронные сети (глубокое обучение).
Оценки неопределенности для классификаторов.
Решающая функция.
Прогнозирование вероятностей.
Неопределенность в мультиклассовой классификации.
Выводы и перспективы.
ГЛАВА 3. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ БЕЗ УЧИТЕЛЯ И ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ.
Типы машинного обучения без учителя.
Проблемы машинного обучения без учителя.
Предварительная обработка и масштабирование.
Различные виды предварительной обработки.
Применение преобразований данных.
Масштабирование обучающего и тестового наборов одинаковым образом.
Влияние предварительной обработки на машинное обучение с учителем.
Снижение размерности, выделение признаков и множественное обучение.
Анализ главных компонент (PCA).
Факторизация неотрицательных матриц (NMF).
Множественное обучение с помощью алгоритма t-SNE.
Кластеризация.
Кластеризация k-средних.
Агломеративная кластеризация.
DBSCAN.
Сравнение и оценка качества алгоритмов кластеризации.
Выводы по методам кластеризации.
Выводы и перспективы.
ГЛАВА 4. ТИПЫ ДАННЫХ И КОНСТРУИРОВАНИЕ ПРИЗНАКОВ.
Категориальные переменные.
Прямое кодирование (дамми-переменные).
Числа можно закодировать в виде категорий.
Биннинг, дискретизация, линейные модели и деревья.
Взаимодействия и полиномы.
Одномерные нелинейные преобразования.
Автоматический отбор признаков.
Одномерные статистики.
Отбор признаков на основе модели.
Итеративный отбор признаков.
Применение экспертных знаний.
Выводы и перспективы.
ГЛАВА 5. ОЦЕНКА И УЛУЧШЕНИЕ КАЧЕСТВА МОДЕЛИ.
Перекрестная проверка.
Перекрестная проверка в scikit-learn.
Преимущества перекрестной проверки.
Стратифицированная k-блочная перекрестная проверка и другие стратегии.
Решетчатый поиск.
Простой решетчатый поиск.
Опасность переобучения параметров и проверочный набор данных.
Решетчатный поиск с перекрестной проверкой.
Метрики качества модели и их вычисление.
Помните о конечной цели.
Метрики для бинарной классификации.
Метрики для мультиклассовой классификации.
Метрики регрессии.
Использование метрик оценки для отбора модели.
Выводы и перспективы.
ГЛАВА 6. ОБЪЕДИНЕНИЕ АЛГОРИТМОВ В ЦЕПОЧКИ И КОНВЕЙЕРЫ.
Отбор параметров с использованием предварительной обработки.
Построение конвейеров.
Использование конвейера, помещенного в объект GridSearchCV.
Общий интерфейс конвейера.
Удобный способ построения конвейеров с помощью функции make_pipeline.
Работа с атрибутами этапов.
Работа с атрибутами конвейера, помещенного в объект GridSearchCV.
Находим оптимальные параметры этапов конвейера с помощью решетчатого поиска.
Выбор оптимальной модели с помощью решетчатого поиска.
Выводы и перспективы.
ГЛАВА 7. РАБОТА С ТЕКСТОВЫМИ ДАННЫМИ.
Строковые типы данных.
Пример применения: анализ тональности киноотзывов.
Представление текстовых данных в виде «мешка слов».
Применение модели «мешка слов» к синтетическому набору данных.
Модель «мешка слов» для киноотзывов.
Стоп-слова.
Масштабирование данных с помощью tf-idf.
Исследование коэффициентов модели.
Модель «мешка слов» для последовательностей из нескольких слов (n-грамм).
Продвинутая токенизация, стемминг и лемматизация.
Моделирование тем и кластеризация документов.
Латентное размещение Дирихле.
Выводы и перспективы.
ГЛАВА 8. ПОДВЕДЕНИЕ ИТОГОВ.
Общий подход к решению задач машинного обучения.
Вмешательство человека в работу модели.
От прототипа к производству.
Тестирование производственных систем.
Создание своего собственного класса Estimator.
Куда двигаться дальше.
Теория.
Другие фреймворки и пакеты машинного обучения.
Ранжирование, рекомендательные системы и другие виды обучения.
Вероятностное моделирование, теория статистического вывода и вероятностное программирование.
Нейронные сети.
Масштабирование на больших наборах данных.
Оттачивание навыков.
Заключение.
Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России. Купить эту книгу
Введение в машинное обучение Python
Руководство для специалистов по работе с данными.
Андреас Мюллер, Сара Гвидо»Введение в машинное обучение с помощью Python» самиздат-перевод, 2017 год, 393 стр. (13,2 мб. pdf), это перевод оригинального издания:
Andreas C. Mueller, Sarah Guido «Introduction to Machine Learning with Python» O’Reilly Media, 2016 год, 400 стр. ISBN:978-1-44936-941-5
В книге «Введение в машинное обучение с помощью Python» описывается, как можно самостоятельно и c удивительной легкостью создать модели машинного обучения (Machine Learning, ML). Прочитав эту книгу, вы сможете построить свою собственную систему машинного обучения, которая позволит манипулировать данными пользователей соц сетей или получать и прогнозировать актуальные вопросы информационного пространства.
Машинное обучение это одна из самых перспективных технологий в разработках различных коммерческих и исследовательских проектов, но это не значит, что только крупные компании могут работать в представленном направлении. Эта технология заключается в извлечении информации из данных. Это научная область, находящаяся на стыке статистических показателей, искусственного интеллекта и компьютерных наук.
Книга познакомит вас с практикой построения систем машинного обучения используя язык программирования Python, а область их применения ограничится лишь вашим воображением. Познакомитесь с библиотеками scikit-learn, NumPy и matplotlib от Python и научитесь извлекать полезную информацию при обработке массивов данных. Книга «Введение в машинное обучение с помощью Python» рассчитана на начинающих и не требует предварительных знаний в области машинного обучения или искусственного интеллекта, но знание основ программирования, а ещё лучше языка Python станет дополнительным фактором успешного обучения.
Основные направления представленные в книге:
ГЛАВА 1. Введение
Зачем нужно использовать машинное обучение?
Задачи, которые можно решить с помощью машинного обучения
Постановка задач и знакомство с данными
Почему нужно использовать Python?
scikit-learn
Установка scikit-learn
Основные библиотеки и инструменты
Jupyter Notebook
NumPy
SciPy
matplotlib
pandas
mglearn
Сравнение Python 2 и Python 3
Версии библиотек, используемые в этой книге
Первый пример: классификация сортов ириса
Загружаем данные
Метрики эффективности: обучающий и тестовый наборы
Сперва посмотрите на Ваши данные
Построение вашей первой модели: метод k ближайших соседей
Получение прогнозов
Оценка качества модели
Выводы и перспективы
ГЛАВА 2. Методы машинного обучения с учителем
Классификация и регрессия
Обобщающая способность, переобучение и недообучение
Взаимосвязь между сложностью модели и размером набора данных
Алгоритмы машинного обучения с учителем 45 Некоторые наборы данных
Метод k ближайших соседей
Линейные модели
Наивные байесовские классификаторы
Деревья решений
Ансамбли деревьев решений
Ядерный метод опорных векторов
Нейронные сети (глубокое обучение)
Оценки неопределенности для классификаторов
Решающая функция
Прогнозирование вероятностей
Неопределенность в мультиклассовой классификации
Выводы и перспективы машинное обучение python
ГЛАВА 3. Методы машинного обучения без учителя и предварительная обработка данных
Типы машинного обучения без учителя
Проблемы машинного обучения без учителя
Предварительная обработка и масштабирование
Различные виды предварительной обработки
Применение преобразований данных
Масштабирование обучающего и тестового наборов одинаковым образом
Влияние предварительной обработки на машинное обучение с учителем
Снижение размерности, выделение признаков и множественное обучение
Анализ главных компонент (PCA)
Факторизация неотрицательных матриц (NMF)
Множественное обучение с помощью алгоритма t-SNE
Кластеризация
Кластеризация k-средних
Агломеративная кластеризация
DBSCAN
Сравнение и оценка качества алгоритмов кластеризации
Выводы по методам кластеризации
Выводы и перспективы
ГЛАВА 4. Типы данных и конструирование признаков
Категориальные переменные
Прямое кодирование (дамми-переменные)
Числа можно закодировать в виде категорий
Биннинг, дискретизация, линейные модели и деревья
Взаимодействия и полиномы
Одномерные нелинейные преобразования
Автоматический отбор признаков
Одномерные статистики
Отбор признаков на основе модели
Итеративный отбор признаков
Применение экспертных знаний
Выводы и перспективы
ГЛАВА 5. Оценка и улучшение качества модели
Перекрестная проверка
Перекрестная проверка в scikit-learn
Преимущества перекрестной проверки
Стратифицированная k-блочная перекрестная проверка и другие стратегии
Решетчатый поиск
Простой решетчатый поиск
Опасность переобучения параметров и проверочный набор данных
Решетчатный поиск с перекрестной проверкой
Метрики качества модели и их вычисление
Помните о конечной цели
Метрики для бинарной классификации
Метрики для мультиклассовой классификации
Метрики регрессии
Использование метрик оценки для отбора модели
Выводы и перспективы
ГЛАВА 6. Объединение алгоритмов в цепочки и конвейеры
Отбор параметров с использованием предварительной обработки
Построение конвейеров
Использование конвейера, помещенного в объект GridSearchCV
Общий интерфейс конвейера
Удобный способ построения конвейеров с помощью функции make_pipeline
Работа с атрибутами этапов
Работа с атрибутами конвейера, помещенного в объект GridSearchCV
Находим оптимальные параметры этапов конвейера с помощью решетчатого поиска
Выбор оптимальной модели с помощью решетчатого поиска
Выводы и перспективы
ГЛАВА 7. Работа с текстовыми данными
Строковые типы данных
Пример применения: анализ тональности киноотзывов
Представление текстовых данных в виде «мешка слов»
Применение модели «мешка слов» к синтетическому набору данных
Модель «мешка слов» для киноотзывов
Стоп-слова
Масштабирование данных с помощью tf-idf
Исследование коэффициентов модели
Модель «мешка слов» для последовательностей из нескольких слов (n-грамм)
Продвинутая токенизация, стемминг и лемматизация
Моделирование тем и кластеризация документов
Латентное размещение Дирихле
Выводы и перспективы
ГЛАВА 8. Подведение итогов
Общий подход к решению задач машинного обучения
Вмешательство человека в работу модели
От прототипа к производству
Тестирование производственных систем
Создание своего собственного класса Estimator
Куда двигаться дальше
— Теория машинное обучение python
— Другие фреймворки и пакеты машинного обучения
— Ранжирование, рекомендательные системы и другие виды обучения
— Вероятностное моделирование, теория статистического вывода и вероятностное программирование
— Нейронные сети
— Масштабирование на больших наборах данных
— Оттачивание навыков
Введение в машинное обучение с помощью python руководство для специалистов по работе с данными pdf
Обучение с подкреплением: Введение. 2-е издание [2020] Ричард С. Саттон, Эндрю Дж. Барто
Идея обучения с подкреплением возникла десятки лет назад, но этой дисциплине предстояло пройти долгий путь, прежде чем она стала одним из самых активных направлений исследований в области машинного обучения и нейронных сетей. Сегодня это предмет интереса ученых, занимающихся психологией, теорией управления, искусственным интеллектом и многими другими отраслями знаний.
Подход, принятый авторами книги, ставит акцент на практическое использования обучения с подкреплением. В первой части читатель знакомится с базовыми его аспектами. Во второй части представлены приближенные методы решения в условиях ограниченных вычислительных ресурсов. В третьей части книги обсуждается важность обучения с подкреплением для психологии и нейронаук.
Издание предназначено для студентов технических вузов, разработчиков, специализирующихся на машинном обучении и искусственном интеллекте, а также представителей нетехнических профессий, которые могут использовать описанные методики в своей работе.
Алгоритмы обучения с подкреплением на Python. Описание и разработка алгоритмов искусственного интеллекта [2020] Андреа Лонца
Эта книга поможет читателю овладеть алгоритмами обучения с подкреплением (ОП) и научиться реализовывать их при создании самообучающихся агентов. В первой части рассматриваются различные элементы ОП, сфера его применения, инструменты, необходимые для работы в среде ОП. Вторая и третья части посвящены непосредственно алгоритмам. В числе прочего автор показывает, как сочетать Q-обучение с нейронными сетями для решения сложных задач, описывает методы градиента стратегии, TRPO и PPO, позволяющие повысить производительность и устойчивость, а также детерминированные алгоритмы DDPG и TD3. Читатель узнает о том, как работает техника подражательного обучения, познакомится с алгоритмами исследования на базе верхней доверительной границы (UCB и UCB1) и метаалгоритмом ESBAS.
Издание предназначено для тех, кто интересуется исследованиями в области искусственного интеллекта, применяет в работе глубокое обучение или хочет освоить обучение с подкреплением с нуля. Обязательное условие – владение языком Python на рабочем уровне.
Нейронные сети. Эволюция [2019] Каниа Кан
Эта книга предназначена для всех, кто хочет разобраться в том, как устроены нейронные сети. Для тех читателей, кто хочет сам научиться программировать нейронные сети, без использования специализированных библиотек машинного обучения. Книга предоставляет возможность с нуля разобраться в сути работы искусственных нейронов и нейронных сетей, математических идей, лежащих в их основе, где от вас не требуется никаких специальных знаний, не выходящих за пределы школьного курса в области математики.
Скачать книгу:
https://t.me/physics_lib/7277
Создаем нейронную сеть [2017] Тарик Рашид
Эта книга представляет собой введение в теорию и практику создания нейронных сетей. Она предназначена для тех, кто хочет узнать, что такое нейронные сети, где они применяются и как самому создать такую сеть, не имея опыта работы в данной области. Автор простым и понятным языком объясняет теоретические аспекты, знание которых необходимо для понимания принципов функционирования нейронных сетей и написания соответствующих программных инструкций. Изложение материала сопровождается подробным описанием процедуры поэтапного создания полностью функционального кода, который реализует нейронную сеть на языке Python и способен выполняться даже на таком миниатюрном компьютере, как Raspberry Pi Zero.
Основные темы книги:
— нейронные сети и системы искусственного интеллекта;
— структура нейронных сетей;
— сглаживание сигналов, распространяющихся по нейронной сети, с помощью функции активации;
— тренировка и тестирование нейронных сетей;
— интерактивная среда программирования IPython;
— использование нейронных сетей в качестве классификаторов объектов;
— распознавание образов с помощью нейронных сетей.
Скачать книгу:
https://t.me/physics_lib/7282
Глубокое обучение с подкреплением на Python [2020] Судхарсан Равичандиран
Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL. Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.
Скачать книгу
https://t.me/physics_lib/7304
Введение в машинное обучение с помощью Python [2017] Мюллер, Гидо
Машинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, однако эта область не является прерогативой больших компаний с мощными аналитическими командами. Даже если вы еще новичок в использовании Python, эта книга познакомит вас с практическими способами построения систем машинного обучения. При всем многообразии данных, доступных на сегодняшний день, применение машинного обучения ограничивается лишь вашим воображением. Вы изучите этапы, необходимые для создания успешного приложения на базе машинного обучения, используя Python и библиотеку scikit-learn. Авторы Андреас Мюллер и Сара Гидо сосредоточили свое внимание на практических аспектах применения алгоритмов машинного обучения. Знание библиотек NumPy и matplotlib позволит вам извлечь из этой книги еще больше полезной информации.
С помощью этой книги вы изучите:
— Фундаментальные понятия и сферы применения машинного обучения
— Преимущества и недостатки широко используемых алгоритмов машинного обучения
— Способы загрузки данных, обрабатываемых в ходе машинного обучения, включая различные аспекты работы с данными
— Продвинутые методы оценивания модели и тонкая настройка параметров
— Понятие конвейеров для изменения моделей и инкапсуляции вашего рабочего потока
— Методы работы с текстовыми данными
— Рекомендации по улучшению навыков, связанных с машинным обучением и наукой о данных
Скачать книгу
https://t.me/physics_lib/7337
Генетические алгоритмы на Python. Применение генетических алгоритмов к решению задач глубокого обучения и искусственного интеллекта [2020] Эйял Вирсански
Генетические алгоритмы — это семейство алгоритмов поиска, оптимизации и обучения, черпающее идеи из естественной эволюции. Благодаря имитации эволюционных процессов генетические алгоритмы способы преодолевать трудности, присущие традиционным алгоритмам поиска, и находить высококачественные решения в самых разных задачах. Эта книга поможет освоить мощный, но в то же время простой подход к применению генетических алгоритмов, написанных на языке Python, и познакомиться с последними достижениями в области искусственного интеллекта.
После обзора генетических алгоритмов и описания принципов автор рассказывает об их отличиях от традиционных алгоритмов и о типах задач, к которым они применимы, как то: планирование, составление расписаний, игры и анализ функций. Вы также узнаете о том, как генетические алгоритмы позволяют повысить качество моделей машинного и глубокого обучения, решать задачи обучения с подкреплением и выполнять реконструкцию изображений. Наконец, будет упомянуто о некоторых родственных технологиях, открывающих новые возможности для будущих приложений.
Книга адресована программистам, специалистам по обработке данных и энтузиастам ИИ, желающим применить генетические алгоритмы в решении практических задач. Требуются владение языком Python на рабочем уровне и базовые знания математики и информатики.
Скачать книгу
https://t.me/physics_lib/7405
Машинное обучение: алгоритмы для бизнеса [2019] Маркос Лопез де Прадо
Машинное обучение меняет практически каждый аспект нашей жизни, алгоритмы МО выполняют задачи, которые до недавнего времени доверяли только проверенным экспертам. В ближайшем будущем машинное обучение будет доминировать в финансах, гадание на кофейной гуще уйдет в прошлое, а инвестиции перестанут быть синонимом азартных игр.
Воспользуйтесь шансом поучаствовать в «машинной революции», для этого достаточно познакомиться с первой книгой, в которой приведен полный и систематический анализ методов машинного обучения применительно к финансам: начиная со структур финансовых данных, маркировки финансового ряда, взвешиванию выборки, дифференцированию временного ряда. и заканчивая целой частью, посвященной правильному бэктестированию инвестиционных стратегий.
Скачать книгу
https://t.me/physics_lib/7419
Алгоритмы эволюционной оптимизации [2020] Дэн Саймон
Эволюционные алгоритмы обусловлены процессами оптимизации, которые мы наблюдаем в природе, такими как естественный отбор, миграция видов, стаи птиц, человеческая культура и муравьиные семьи. В данной книге рассматриваются история, теоретические основы, математический аппарат и программирование алгоритмов эволюционной оптимизации. Рассмотренные алгоритмы включают в себя генетические алгоритмы, генетическое программирование, оптимизацию на основе муравьиной кучи, оптимизацию на основе роя частиц, дифференциальную эволюцию, биогеографическую оптимизацию и многие другие.
Evolutionary Optimization Algorithms. Biologically-Inspired and Population-Based Approaches to Computer Intelligence [2020] Dan Simon
Скачать книгу
https://t.me/physics_lib/7423
Probabilistic Machine Learning: An Introduction [2021] Murphy
A comprehensive introduction to Machine Learning that uses probabilistic models and inference as a unifying approach. Today’s Web-enabled deluge of electronic data calls for automated methods of data analysis. Machine learning provides these, developing methods that can automatically detect patterns in data and then use the uncovered patterns to predict future data. This textbook offers a comprehensive and self-contained introduction to the field of machine learning, based on a unified, probabilistic approach.
Скачать книгу:
https://t.me/physics_lib/7487
Искусственный интеллект [2019] Душкин
Перед вами книга по искусственному интеллекту от известного технологического евангелиста Романа Душкина, который два с половиной года собирал материал, отбирал информацию, сортировал, фильтровал, подбирал слова и переписывал разделы, готовя для своего читателя великолепный образец литературы, находящейся на стыке популяризации науки и строгого академического изложения фактов. В данной книге вы найдёте исчерпывающее описание современного состояния технологий искусственного интеллекта и сфер жизни, где их можно применять. Более того, автор сделал упор на гуманитарной составляющей исследований в области искусственного интеллекта, что выгодно отличает эту книгу от множества других изданий по теме. Также здесь развенчиваются многочисленные мифы об искусственном интеллекте и описывается авторское видение будущего.
Издание будет интересно всем, кто хочет быстро погрузиться в горячую тему искусственного интеллекта, получить базовую терминологию и освоить основные методы.
Скачать книгу
https://t.me/physics_lib/7514
Глубокое обучение для поисковых систем [2020] Томмазо Теофили
В книге рассказывается о том, как использовать глубокие нейронные сети для создания эффективных поисковых систем. Рассматривается несколько компонентов поисковой системы, дается представление о том, как они работают, и приводятся рекомендации по использованию нейронных сетей в разных контекстах поиска. Особое внимание уделено практическому объяснению методов поиска и глубокого машинного обучения на базе примеров, большинство которых включает фрагменты кода.
Автор освещает основные проблемы, связанные с поисковыми системами, и указывает пути решения этих проблем. Он раскрывает принципы тестирования эффективности нейронных сетей, а также измерения их затрат и выгод.
Издание предназначено для читателей, владеющих программированием на среднем уровне и отлаживающих поисковые системы с целью повышения их эффективности, то есть выдачи наиболее релевантных результатов.
Скачать книгу
https://t.me/physics_lib/7633
Машинное обучение с использованием Python. Сборник рецептов [2019] Крис Элбон
Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-leam.
Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-leam. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение.
Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и к ближайших соседей; опорновекторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.
Скачать книгу
https://t.me/physics_lib/7660
Algorithms for Decision Making [2022] Mykel J. Kochenderfer, Tim A. Wheeler, Kyle H. Wray
This book provides a broad introduction to algorithms for decision making under uncertainty. We cover a wide variety of topics related to decision making, introducing the underlying mathematical problem formulations and the algorithms for solving them. Figures, examples, and exercises are provided to convey the intuition behind the various approaches.
This text is intended for advanced undergraduates and graduate students as well as professionals. The book requires some mathematical maturity and assumes prior exposure to multivariable calculus, linear algebra, and probability concepts. Some review material is provided in the appendix. Disciplines where the book would be especially useful include mathematics, statistics, computer science, aerospace, electrical engineering, and operations research.
Fundamental to this textbook are the algorithms, which are all implemented in the Julia programming language. We have found the language to be ideal for specifying algorithms in human readable form. The priority in the design of the algorithmic implementations was interpretability rather than efficiency. Industrial applications, for example, may benefit from alternative implementations. Permission is granted, free of charge, to use the code snippets associated with this book, subject to the condition that the source of the code is acknowledged.
RU: Алгоритмы принятия решений
Скачать книгу
https://t.me/physics_lib/7720
Надежность нейронных сетей. Укрепляем устойчивость ИИ к обману [2021] Кэти Уорр
Глубокие нейронные сети (DNN) становятся неотъемлемой частью IT-продуктов, приводя к появлению нового направления кибератак. Хакеры пытаются обмануть нейросети с помощью данных, которые не смогли бы обмануть человека. Автор рассматривает мотивацию подобных атак, риски, которые влечет вредоносный ввод, а также методы повышения устойчивости ИИ к таким взломам. Если вы специалист в науке о данных, архитектор системы безопасности и стремитесь повысить устойчивость систем с ИИ или вас просто интересует различие между искусственным и биологическим восприятием, то эта книга для вас.
Скачать книгу
https://t.me/physics_lib/7778
Deep Learning for Biomedical Applications [2021] Utku Kose, Omer Deperlioglu
This book is a detailed reference on biomedical applications using Deep Learning. Because Deep Learning is an important actor shaping the future of Artificial Intelligence, its specific and innovative solutions for both medical and biomedical are very critical. This book provides a recent view of research works on essential, and advanced topics.
The book offers detailed information on the application of Deep Learning for solving biomedical problems. It focuses on different types of data (i.e. raw data, signal-time series, medical images) to enable readers to understand the effectiveness and the potential. It includes topics such as disease diagnosis, image processing perspectives, and even genomics. It takes the reader through different sides of Deep Learning oriented solutions.
The specific and innovative solutions covered in this book for both medical and biomedical applications are critical to scientists, researchers, practitioners, professionals, and educations who are working in the context of the topics.
Скачать книгу
https://t.me/physics_lib/7794
Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем [2020] Жерон Орельен
Благодаря серии выдающихся достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на данных. Новое издание книги-бестселлера, опирающееся на конкретные примеры, минимум теории и готовые фреймворки Python производственного уровня, поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем.
Вы освоите широкий спектр методик, которые можно быстро задействовать на практике. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. Весь код доступен на GitHub. Он был обновлен с учетом TensorFlow 2 и последней версии Scikit-Learn.
EM: Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems [2020] Aurélien Géron
Скачать книгу
https://t.me/physics_lib/7836
Deep Learning: A Visual Approach [2021] Andrew Glassner
A richly-illustrated, full-color introduction to deep learning that offers visual and conceptual explanations instead of equations. You’ll learn how to use key deep learning algorithms without the need for complex math. Ever since computers began beating us at chess, they’ve been getting better at a wide range of human activities, from writing songs and generating news articles to helping doctors provide healthcare.
Deep Learning: A Visual Approach is for anyone who wants to understand this fascinating field in depth, but without any of the advanced math and programming usually required to grasp its internals. If you want to know how these tools work, and use them yourself, the answers are all within these pages. And, if you’re ready to write your own programs, there are also plenty of supplemental Python notebooks in the accompanying Github repository to get you going.
The book’s conversational style, extensive color illustrations, illuminating analogies, and real-world examples expertly explain the key concepts in deep learning, including:
• How text generators create novel stories and articles
• How deep learning systems learn to play and win at human games
• How image classification systems identify objects or people in a photo
• How to think about probabilities in a way that’s useful to everyday life
• How to use the machine learning techniques that form the core of modern AI
Intellectual adventurers of all kinds can use the powerful ideas covered in Deep Learning: A Visual Approach to build intelligent systems that help us better understand the world and everyone who lives in it. It’s the future of AI, and this book allows you to fully envision it.
Скачать книгу
https://t.me/physics_lib/7893
Сильный искусственный интеллект: На подступах к сверхразуму [2021] Ведяхин
Технологии искусственного интеллекта становятся повсеместными — они проникли в нашу повседневную жизнь и вряд ли ее покинут. ИИ уже давно не ограничивается цифровой реальностью, захватывая наш быт. Нас начинают окружать домашние роботы, беспилотные аппараты, умные дома и целые города, не говоря уже о приложениях для смартфонов и компьютеров.
Вместе с тем применение технологий ИИ все еще не настолько впечатляющее, каким могло бы быть. Это обусловлено одним фундаментальным фактором: большинство таких систем позволяют достичь оптимальных решений только для узких задач (так называемый «узкий» ИИ). Качественный переход призвана совершить область общего искусственного интеллекта (Artificial General Intelligence, AGI), который способен решать широкий круг задач в самых разных контекстах.
Эта книга, основанная на исследовании лучших российских специалистов по ИИ, посвящена научным подходам к созданию AGI, а также областям и потенциалу его применения. Авторы впервые обобщили и систематизировали накопленные знания в области общего ИИ — от компьютерных наук и машинного обучения до нейронаук и психологии. Это самый полный и глубокий обзор подходов к созданию AGI на русском языке. Он поможет специалистам из разных областей ИИ объединить свои знания и выработать единую стратегию по созданию общего искусственного интеллекта.
Развитие AGI вместо существующих узких методов или даже вместе с ними может заложить новый виток технологического прогресса, трансформировать технологии, науку и общество. Общий ИИ способен помочь человечеству справиться с самыми сложными вызовами: поиском лекарств от смертельных заболеваний, предупреждением катастроф, построением более справедливого общества.
Книга написана научно-популярным языком, который делает ценные знания доступными для широкой аудитории.
Скачать книгу
https://t.me/physics_lib/8105
Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow [2021] Ханнес Хапке, Кэтрин Нельсон
В настоящее время компании тратят миллиарды долларов на проекты машинного обучения (МО), но эти средства могут быть потрачены впустую, если при этом не используется эффективное развертывание моделей МО. Перед вами практическое руководство, написанное Х. Хапке и К. Нельсон, с которым вы смело можете отправляться в путь по всем этапам автоматизации конвейера МО, построенного на основе экосистемы TensorFlow. Вы познакомитесь с методами и инструментами, которые существенно сократят время развертывания (с нескольких дней до нескольких минут), чтобы вы могли сосредоточиться на разработке новых моделей, а не на поддержке устаревших систем. Специалисты по анализу данных, инженеры по МО и инженеры DevOps узнают, как выйти за рамки простой разработки моделей и успешно реализовать свои проекты в области науки о данных, а менеджеры лучше поймут, как можно существенно сократить сроки, необходимые для реализации подобных проектов.
Машинное обучение становится важным элементом почти во всех отраслях. В этой книге представлено четкое и понятное руководство по автоматизации развертывания, управления и повторного использования моделей машинного обучения. Шаг за шагом описывается конкретный пример проекта, на котором можно отработать основные навыки в этой сфере. Благодаря множеству примеров кода и ясным, лаконичным объяснениям вы сможете создать свой собственный конвейер машинного обучения и запустите его в кратчайшие сроки.
Книга поможет ученым и инженерам, специализирующимся в области машинного обучения и искусственного интеллекта, выйти за рамки работы с единичной моделью и успешно реализовать свои проекты в области науки о данных. Также издание будет полезно менеджерам проектов в области науки о данных, разработчикам программного обеспечения и инженерам DevOps, которые хотят, чтобы их организация ускорила свои проекты, использующие технологии машинного обучения и искусственного интеллекта.
Читателю понадобится знание основных концепций машинного обучения и хотя бы одного из фреймворков, используемых в машинном обучении (например, PyTorch, TensorFlow, Keras).
Building Machine Learning Pipelines. Automating Model Life Cycles with TensorFlow [2021] Hannes Hapke, Catherine Nelson
Скачать книгу
https://t.me/physics_lib/8176