Data science jest interdyscyplinarną dziedziną naukową łączącą osiągnięcia uczenia maszynowego, statystyki i eksploracji danych. Umożliwia wydobywanie nowej wiedzy z istniejących danych poprzez stosowanie odpowiednich algorytmów i analizy statystycznej. Stworzono dotąd wiele algorytmów tej kategorii i wciąż powstają nowe. Stanowią one podstawę konstruowania modeli umożliwiających wyodrębnianie określonych informacji z danych odzwierciedlających zjawiska zachodzące w świecie rzeczywistym, pozwalają też na formułowanie prognoz ich przebiegu w przyszłości. Algorytmy data science są postrzegane jako ogromna szansa na zdobycie przewagi konkurencyjnej, a ich znaczenie stale rośnie.

Ta książka jest zwięzłym przewodnikiem po algorytmach uczenia maszynowego. Jej cel jest prosty: w ciągu siedmiu dni masz opanować solidne podstawy siedmiu najważniejszych dla uczenia maszynowego algorytmów. Opisom poszczególnych algorytmów towarzyszą przykłady ich implementacji w języku Python, a praktyczne ćwiczenia, które znajdziesz na końcu każdego rozdziału, ułatwią Ci lepsze zrozumienie omawianych zagadnień. Co więcej, dzięki książce nauczysz się właściwie identyfikować problemy z zakresu data science. W konsekwencji dobieranie odpowiednich metod i narzędzi do ich rozwiązywania okaże się dużo łatwiejsze.

W tej książce:

• efektywne implementacje algorytmów uczenia maszynowego w języku Python
• klasyfikacja danych przy użyciu twierdzenia Bayesa, drzew decyzyjnych i lasów losowych
• podział danych na klastery za pomocą algorytmu k-średnich
• stosowanie analizy regresji w parametryzacji modeli przewidywań
• analiza szeregów czasowych pod kątem trendów i sezonowości danych

Algorytmy data science: poznaj, zrozum, zastosuj!

Rozdziały:

• O autorze
• O recenzentach
• Przedmowa
  • Do kogo kierujemy tę książkę?
  • Co zawiera ta książka?
  • Jak najlepiej wykorzystać tę książkę?
  • Kod przykładowych programów
  • Konwencje typograficzne stosowane w książce
• Rozdział 1. Klasyfikacja na podstawie najbliższego sąsiedztwa
  • Subiektywne odczuwanie temperatury
  • Implementacja algorytmu k najbliższych sąsiadów
    • Dane wejściowe
    • Wynik klasyfikacji
    • Wizualizacja
  • Mapa Włoch przykład doboru wartości k
    • Analiza
  • Skalowanie danych prognozowanie statusu własności
    • Analiza
  • Nieeuklidesowe metryki odległości punktów klasyfikowanie tekstów
    • Analiza
  • Klasyfikowania tekstów ciąg dalszy wielowymiarowy algorytm k-NN
    • Analiza
  • Podsumowanie
  • Problemy
    • Subiektywne odczuwanie temperatury
    • Mapa Włoch przykład doboru wartości k
    • Status własności
    • Analiza
• Rozdział 2. Naiwny klasyfikator bayesowski
  • Testy medyczne podstawowe zastosowanie twierdzenia Bayesa
    • Analiza
  • Podstawowe twierdzenie Bayesa i jego rozszerzenie
    • Twierdzenie Bayesa
      • Dowód
    • Rozszerzone twierdzenie Bayesa
      • Dowód
  • Zagramy w szachy? niezależne zdarzenia warunkujące
    • Analiza
  • Implementacja naiwnego klasyfikatora bayesowskiego
    • Dane wejściowe
    • Wynik
  • Zagramy w szachy? częściowo zależne zdarzenia warunkujące
    • Analiza
      • Dane wejściowe
      • Wynik
  • Chłopak czy dziewczyna? twierdzenie Bayesa dla ciągłych zmiennych losowych
    • Analiza
  • Podsumowanie
  • Problemy
    • Analiza
• Rozdział 3. Drzewa decyzyjne
  • Pływamy? reprezentowanie danych w postaci drzewa decyzyjnego
  • Elementy teorii informacji
    • Entropia informacyjna
      • Przykład losowe rzucanie monetą
      • Definicja
    • Zysk informacyjny
    • Pływamy? obliczanie zysku informacyjnego
  • Algorytm ID3 konstruowanie drzewa decyzyjnego
    • Pływamy? budowanie drzewa decyzyjnego
    • Implementacja w języku Python
      • Dane wejściowe
      • Wynik
  • Klasyfikowanie danych za pomocą drzew decyzyjnych
    • Przykład pływamy czy nie?
  • Przykład gra w szachy pod chmurką
    • Analiza
      • Dane wejściowe
      • Wynikowe drzewo decyzyjne
      • Klasyfikacja
  • Na zakupy przykład niespójnych danych
    • Analiza
  • Podsumowanie
  • Problemy
    • Analiza
• Rozdział 4. Lasy losowe
  • Ogólne zasady konstruowania lasów losowych
  • Pływamy? klasyfikacja za pomocą lasu losowego
    • Analiza
    • Konstruowanie lasu losowego
      • Losowe drzewo decyzyjne nr 0
      • Losowe drzewo decyzyjne nr 1
      • Wynikowy las losowy
    • Klasyfikowanie cechy na podstawie lasu losowego
  • Implementacja algorytmu konstruowania lasu losowego
    • Dane wejściowe
    • Wynik
  • Przykład zagramy w szachy?
    • Analiza
    • Konstruowanie lasu losowego
      • Losowe drzewo decyzyjne nr 0
      • Losowe drzewa decyzyjne nr 1, 2 i 3
      • Wynikowy las losowy
    • Klasyfikacja w drodze głosowania
      • Dane wejściowe
      • Wynik
  • Idziemy na zakupy? wnioskowanie z niespójnych danych i miara wiarygodności wyniku
    • Analiza
      • Dane wejściowe
      • Wynik
  • Podsumowanie
  • Problemy
    • Analiza
      • Dane wejściowe
      • Wynik
• Rozdział 5. Klasteryzacja
  • Dochód gospodarstwa domowego niski czy wysoki?
  • Algorytm k-średnich
    • Początkowy zbiór centroidów
    • Wyznaczanie centroidu klastera
  • Przykład wykorzystanie algorytmu k-średnich do klasyfikacji dochodów
  • Klasyfikowanie przez klasteryzację prognozowanie płci nieznanej osoby
    • Analiza
  • Implementacja algorytmu k-średnich
    • Dane wejściowe
    • Wynik grupowania
  • Status własności dobór optymalnej liczby klasterów
    • Analiza
      • Dane wejściowe
      • Wynik podział między dwa klastery
      • Wynik podział między trzy klastery
      • Wynik podział między cztery klastery
      • Wynik podział między pięć klasterów
  • Klasyfikowanie dokumentów semantyczne znaczenie klasteryzacji
    • Analiza
      • Dane wejściowe
      • Wynik podział między dwa klastery
      • Wynik podział między trzy klastery
      • Wynik podział między pięć klasterów
  • Podsumowanie
  • Problemy
    • Analiza
      • Dane wejściowe
      • Dwa klastery
      • Trzy klastery
      • Cztery klastery
      • Pięć klasterów
      • Wybór optymalnej liczby klasterów przy użyciu walidacji krzyżowej
• Rozdział 6. Analiza regresji
  • Konwersja temperatur regresja liniowa dla danych doskonałych
    • Rozwiązanie analityczne
    • Metoda najmniejszych kwadratów w regresji liniowej
    • Implementacja analizy regresji liniowej w Pythonie
      • Kod programu
      • Wynik
      • Wizualizacja
  • Regresja dla danych pomiarowych prognozowanie wagi na podstawie wzrostu
    • Analiza
      • Kod programu
      • Wynik
  • Metoda spadku gradientowego i jej implementacja
    • Szczegóły algorytmu
    • Implementacja w Pythonie
      • Dane wejściowe
      • Wynik
      • Wizualizacja porównanie z metodą analityczną
  • Przewidywanie czasu przelotu na podstawie odległości
    • Analiza
      • Kod programu
      • Wynik
  • Obliczenia balistyczne model nieliniowy
    • Analiza
      • Kod programu
      • Wynik
  • Podsumowanie
  • Problemy
    • Analiza
      • Kod programu
      • Wynik
      • Wizualizacja
• Rozdział 7. Analiza szeregów czasowych
  • Zysk w biznesie analiza trendu
    • Analiza
      • Kod programu
      • Wynik
      • Wizualizacja
    • Konkluzja
  • Sprzedaż w sklepie internetowym analiza sezonowości
    • Analiza
    • Analiza trendu
      • Kod programu
      • Wynik
      • Wizualizacja
    • Analiza sezonowości
      • Wizualizacja
  • Podsumowanie
  • Problemy
    • Analiza
      • Kod programu
      • Wynik
      • Wizualizacja
      • Wizualizacja
• Dodatek A Podstawy języka Python
  • Przykład
  • Komentarze
  • Typy danych
    • int
      • Przykład example02_int.py
      • Wynik
    • float
      • Przykład example03_float.py
      • Wynik
    • Napis
      • Przykład example04_string.py
      • Wynik
    • Krotka
      • Przykład example05_tuple.py
      • Wynik
    • Lista
      • Przykład example06_list.py
      • Wynik
    • Zbiór
      • Przykład example07_set.py
      • Wynik
    • Słownik
      • Przykład example08_dictionary.py
      • Wynik
  • Przepływ sterowania
    • Instrukcje warunkowe
      • Przykład example09_if_else_elif.py
      • Wynik
    • Pętla for
      • Przykład example10_for_loop_range.py
      • Wynik
      • Przykład example11_for_loop_list.py
      • Wynik
      • Przykład example12_for_loop_set.py
      • Wynik
    • Pętla while
      • Przykład example13_while_loop.py
      • Wynik
    • Instrukcje break i continue
      • Przykład example14_break_continue.py
      • Wynik
  • Funkcje
    • Przykład example15_function.py
    • Wynik
  • Wejście-wyjście programu
    • Argumenty wywołania programu
      • Przykład example16_arguments.py
      • Wynik
    • Operacje na plikach
      • Przykład example17_file.py
      • Wynik
• Dodatek B Statystyka
  • Podstawowe koncepcje
    • Notacja
    • Podstawowe pojęcia
  • Wnioskowanie bayesowskie
  • Rozkład normalny Gaussa
  • Walidacja krzyżowa
  • Testowanie A/B
• Dodatek C Słownik pojęć, algorytmów i metod Data Science