Uczenie maszynowe jest wyjątkowo fascynującą dziedziną inżynierii. Coraz częściej spotykamy się z praktycznym wykorzystaniem tego rodzaju innowacyjnych technologii. Samouczące algorytmy maszynowe pozwalają na uzyskiwanie wiedzy z ogromnych ilości danych. Dla osoby planującej rozwój kariery osiągnięcie biegłości w rozwiązywaniu problemów uczenia maszynowego jest nadzwyczaj atrakcyjną ścieżką. Użycie do tego celu Pythona pozwala dodatkowo skorzystać z bardzo przystępnego, wszechstronnego i potężnego narzędzia przeznaczonego do analizowania danych naukowych.

Ta książka jest drugim, wzbogaconym i zaktualizowanym wydaniem znakomitego podręcznika do nauki o danych. Wyczerpująco opisano tu teoretyczne podwaliny uczenia maszynowego. Sporo uwagi poświęcono działaniu algorytmów uczenia głębokiego, sposobom ich wykorzystania oraz metodom unikania istotnych błędów. Dodano rozdziały prezentujące zaawansowane informacje o sieciach neuronowych: o sieciach splotowych, służących do rozpoznawania obrazów, oraz o sieciach rekurencyjnych, znakomicie nadających się do pracy z danymi sekwencyjnymi i danymi szeregów czasowych. Poszczególne zagadnienia zostały zilustrowane praktycznymi przykładami kodu napisanego w Pythonie, co ułatwi bezpośrednie zapoznanie się z tematyką uczenia maszynowego.

W tej książce:

• struktury używane w analizie danych, uczeniu maszynowym i uczeniu głębokim
• metody uczenia sieci neuronowych
• implementowanie głębokich sieci neuronowych
• analiza sentymentów i analiza regresywna
• przetwarzanie obrazów i danych tekstowych
• najwartościowsze biblioteki Pythona przydatne w uczeniu maszynowym

Uczenie maszynowe: oto droga do wiedzy ukrytej w oceanie danych!

Rozdziały:

Informacje o autorach 11

 

Informacje o recenzentach 13

Wstęp 15

Rozdział 1. Umożliwianie komputerom uczenia się z danych 23

• Tworzenie inteligentnych maszyn służących do przekształcania danych w wiedzę 24
• Trzy różne rodzaje uczenia maszynowego 24
  • Prognozowanie przyszłości za pomocą uczenia nadzorowanego 25
  • Rozwiązywanie problemów interaktywnych za pomocą uczenia przez wzmacnianie 28
  • Odkrywanie ukrytych struktur za pomocą uczenia nienadzorowanego 29
• Wprowadzenie do podstawowej terminologii i notacji 30
• Strategia tworzenia systemów uczenia maszynowego 32
  • Wstępne przetwarzanie - nadawanie danym formy 32
  • Trenowanie i dobór modelu predykcyjnego 34
  • Ewaluacja modeli i przewidywanie wystąpienia nieznanych danych 34
• Wykorzystywanie środowiska Python do uczenia maszynowego 35
  • Instalacja środowiska Python i pakietów z repozytorium Python Package Index 35
  • Korzystanie z platformy Anaconda i menedżera pakietów 36
  • Pakiety przeznaczone do obliczeń naukowych, analizy danych i uczenia maszynowego 36
• Podsumowanie 37

Rozdział 2. Trenowanie prostych algorytmów uczenia maszynowego w celach klasyfikacji 39

• Sztuczne neurony - rys historyczny początków uczenia maszynowego 40
  • Formalna definicja sztucznego neuronu 41
  • Reguła uczenia perceptronu 43
• Implementacja algorytmu uczenia perceptronu w Pythonie 45
  • Obiektowy interfejs API perceptronu 45
  • Trenowanie modelu perceptronu na zestawie danych Iris 48
• Adaptacyjne neurony liniowe i zbieżność uczenia 53
  • Minimalizacja funkcji kosztu za pomocą metody gradientu prostego 55
  • Implementacja algorytmu Adaline w Pythonie 56
  • Usprawnianie gradientu prostego poprzez skalowanie cech 60
  • Wielkoskalowe uczenie maszynowe i metoda stochastycznego spadku wzdłuż gradientu 62
• Podsumowanie 66

Rozdział 3. Stosowanie klasyfikatorów uczenia maszynowego za pomocą biblioteki scikit-learn 67

• Wybór algorytmu klasyfikującego 68
• Pierwsze kroki z biblioteką scikit-learn - uczenie perceptronu 68
• Modelowanie prawdopodobieństwa przynależności do klasy za pomocą regresji logistycznej 74
  • Teoretyczne podłoże regresji logistycznej i prawdopodobieństwa warunkowego 74
  • Wyznaczanie wag logistycznej funkcji kosztu 78
  • Przekształcanie implementacji Adaline do postaci algorytmu regresji logistycznej 80
  • Uczenie modelu regresji logistycznej za pomocą biblioteki scikit-learn 84
  • Zapobieganie przetrenowaniu za pomocą regularyzacji 86
• Wyznaczanie maksymalnego marginesu za pomocą maszyn wektorów nośnych 88
  • Teoretyczne podłoże maksymalnego marginesu 89
  • Rozwiązywanie przypadków nieliniowo rozdzielnych za pomocą zmiennych uzupełniających 90
  • Alternatywne implementacje w interfejsie scikit-learn 92
• Rozwiązywanie nieliniowych problemów za pomocą jądra SVM 93
  • Metody jądrowe dla danych nierozdzielnych liniowo 93
  • Stosowanie sztuczki z funkcją jądra do znajdowania przestrzeni rozdzielających w przestrzeni wielowymiarowej 95
• Uczenie drzew decyzyjnych 99
  • Maksymalizowanie przyrostu informacji - osiąganie jak największych korzyści 100
  • Budowanie drzewa decyzyjnego 103
  • Łączenie wielu drzew decyzyjnych za pomocą modelu losowego lasu 107
• Algorytm k-najbliższych sąsiadów - model leniwego uczenia 109
• Podsumowanie 113

Rozdział 4. Tworzenie dobrych zbiorów uczących - wstępne przetwarzanie danych 115

• Kwestia brakujących danych 115
  • Wykrywanie brakujących wartości w danych tabelarycznych 116
  • Usuwanie próbek lub cech niezawierających wartości 117
  • Wstawianie brakujących danych 118
  • Estymatory interfejsu scikit-learn 119
• Przetwarzanie danych kategoryzujących 119
  • Cechy nominalne i porządkowe 120
  • Tworzenie przykładowego zestawu danych 120
  • Mapowanie cech porządkowych 121
  • Kodowanie etykiet klas 121
  • Kodowanie "gorącojedynkowe" cech nominalnych (z użyciem wektorów własnych) 122
• Rozdzielanie zestawu danych na oddzielne podzbiory uczące i testowe 124
• Skalowanie cech 127
• Dobór odpowiednich cech 129
  • Regularyzacje L1 i L2 jako kary ograniczające złożoność modelu 129
  • Interpretacja geometryczna regularyzacji L2 130
  • Rozwiązania rzadkie za pomocą regularyzacji L1 131
  • Algorytmy sekwencyjnego wyboru cech 135
• Ocenianie istotności cech za pomocą algorytmu losowego lasu 140
• Podsumowanie 142

Rozdział 5. Kompresja danych poprzez redukcję wymiarowości 143

• Nienadzorowana redukcja wymiarowości za pomocą analizy głównych składowych 144
  • Podstawowe etapy analizy głównych składowych 144
  • Wydobywanie głównych składowych krok po kroku 146
  • Wyjaśniona wariancja całkowita 148
  • Transformacja cech 149
  • Analiza głównych składowych w interfejsie scikit-learn 152
• Nadzorowana kompresja danych za pomocą liniowej analizy dyskryminacyjnej 154
  • Porównanie analizy głównych składowych z liniową analizą dyskryminacyjną 155
  • Wewnętrzne mechanizmy działania liniowej analizy dyskryminacyjnej 156
  • Obliczanie macierzy rozproszenia 157
  • Dobór dyskryminant liniowych dla nowej podprzestrzeni cech 159
  • Rzutowanie próbek na nową przestrzeń cech 161
  • Implementacja analizy LDA w bibliotece scikit-learn 161
• Jądrowa analiza głównych składowych jako metoda odwzorowywania nierozdzielnych liniowo klas 163
  • Funkcje jądra oraz sztuczka z funkcją jądra 164
  • Implementacja jądrowej analizy głównych składowych w Pythonie 168
  • Rzutowanie nowych punktów danych 175
  • Algorytm jądrowej analizy głównych składowych w bibliotece scikit-learn 178
• Podsumowanie 179

Rozdział 6. Najlepsze metody oceny modelu i strojenie parametryczne 181

• Usprawnianie cyklu pracy za pomocą kolejkowania 181
  • Wczytanie zestawu danych Breast Cancer Wisconsin 182
  • Łączenie funkcji transformujących i estymatorów w kolejce czynności 183
• Stosowanie k-krotnego sprawdzianu krzyżowego w ocenie skuteczności modelu 184
  • Metoda wydzielania 185
  • K-krotny sprawdzian krzyżowy 186
• Sprawdzanie algorytmów za pomocą krzywych uczenia i krzywych walidacji 190
  • Diagnozowanie problemów z obciążeniem i wariancją za pomocą krzywych uczenia 190
  • Rozwiązywanie problemów przetrenowania i niedotrenowania za pomocą krzywych walidacji 193
• Dostrajanie modeli uczenia maszynowego za pomocą metody przeszukiwania siatki 195
  • Strojenie hiperparametrów przy użyciu metody przeszukiwania siatki 195
  • Dobór algorytmu poprzez zagnieżdżony sprawdzian krzyżowy 196
• Przegląd metryk oceny skuteczności 198
  • Odczytywanie macierzy pomyłek 198
  • Optymalizacja precyzji i pełności modelu klasyfikującego 200
  • Wykres krzywej ROC 202
  • Metryki zliczające dla klasyfikacji wieloklasowej 204
• Kwestia dysproporcji klas 205
• Podsumowanie 208

Rozdział 7. Łączenie różnych modeli w celu uczenia zespołowego 209

• Uczenie zespołów 209
• Łączenie klasyfikatorów za pomocą algorytmu głosowania większościowego 213
  • Implementacja prostego klasyfikatora głosowania większościowego 214
  • Stosowanie reguły głosowania większościowego do uzyskiwania prognoz 219
  • Ewaluacja i strojenie klasyfikatora zespołowego 221
• Agregacja - tworzenie zespołu klasyfikatorów za pomocą próbek początkowych 226
  • Agregacja w pigułce 227
  • Stosowanie agregacji do klasyfikowania przykładów z zestawu Wine 228
• Usprawnianie słabych klasyfikatorów za pomocą wzmocnienia adaptacyjnego 231
  • Wzmacnianie - mechanizm działania 232
  • Stosowanie algorytmu AdaBoost za pomocą biblioteki scikit-learn 236
• Podsumowanie 239

Rozdział 8. Wykorzystywanie uczenia maszynowego w analizie sentymentów 241

• Przygotowywanie zestawu danych IMDb movie review do przetwarzania tekstu 242
  • Uzyskiwanie zestawu danych IMDb 242
  • Przetwarzanie wstępne zestawu danych IMDb do wygodniejszego formatu 243
• Wprowadzenie do modelu worka słów 244
  • Przekształcanie słów w wektory cech 245
  • Ocena istotności wyrazów za pomocą ważenia częstości termów - odwrotnej częstości w tekście 246
  • Oczyszczanie danych tekstowych 248
  • Przetwarzanie tekstu na znaczniki 249
• Uczenie modelu regresji logistycznej w celu klasyfikowania tekstu 251
• Praca z większą ilością danych - algorytmy sieciowe i uczenie pozardzeniowe 253
• Modelowanie tematyczne za pomocą alokacji ukrytej zmiennej Dirichleta 256
  • Rozkładanie dokumentów tekstowych za pomocą analizy LDA 257
  • Analiza LDA w bibliotece scikit-learn 258
• Podsumowanie 261

Rozdział 9. Wdrażanie modelu uczenia maszynowego do aplikacji sieciowej 263

• Serializacja wyuczonych estymatorów biblioteki scikit-learn 264
• Konfigurowanie bazy danych SQLite 266
• Tworzenie aplikacji sieciowej za pomocą środowiska Flask 269
  • Nasza pierwsza aplikacja sieciowa 269
  • Sprawdzanie i wyświetlanie formularza 271
• Przekształcanie klasyfikatora recenzji w aplikację sieciową 275
  • Pliki i katalogi - wygląd drzewa katalogów 277
  • Implementacja głównej części programu w pliku app.py 277
  • Konfigurowanie formularza recenzji 280
  • Tworzenie szablonu strony wynikowej 281
• Umieszczanie aplikacji sieciowej na publicznym serwerze 282
  • Tworzenie konta w serwisie PythonAnywhere 283
  • Przesyłanie aplikacji klasyfikatora filmowego 283
  • Aktualizowanie klasyfikatora recenzji filmowych 284
• Podsumowanie 286

Rozdział 10. Przewidywanie ciągłych zmiennych docelowych za pomocą analizy regresywnej 287

• Wprowadzenie do regresji liniowej 288
  • Prosta regresja liniowa 288
  • Wielowymiarowa regresja liniowa 288
• Zestaw danych Housing 290
  • Wczytywanie zestawu danych Housing do obiektu DataFrame 290
  • Wizualizowanie ważnych elementów zestawu danych 292
  • Analiza związków za pomocą macierzy korelacji 293
• Implementacja modelu regresji liniowej wykorzystującego zwykłą metodę najmniejszych kwadratów 296
  • Określanie parametrów regresywnych za pomocą metody gradientu prostego 296
  • Szacowanie współczynnika modelu regresji za pomocą biblioteki scikit-learn 300
• Uczenie odpornego modelu regresywnego za pomocą algorytmu RANSAC 301
• Ocenianie skuteczności modeli regresji liniowej 304
• Stosowanie regularyzowanych metod regresji 307
• Przekształcanie modelu regresji liniowej w krzywą - regresja wielomianowa 308
  • Dodawanie członów wielomianowych za pomocą biblioteki scikit-learn 309
  • Modelowanie nieliniowych zależności w zestawie danych Housing 310
• Analiza nieliniowych relacji za pomocą algorytmu losowego lasu 314
• Podsumowanie 318

Rozdział 11. Praca z nieoznakowanymi danymi - analiza skupień 319

• Grupowanie obiektów na podstawie podobieństwa przy użyciu algorytmu centroidów 320
  • Algorytm centroidów w bibliotece scikit-learn 320
  • Inteligentniejszy sposób dobierania pierwotnych centroidów za pomocą algorytmu k-means++ 324
  • Klasteryzacja twarda i miękka 325
  • Stosowanie metody łokcia do wyszukiwania optymalnej liczby skupień 327
  • Ujęcie ilościowe jakości klasteryzacji za pomocą wykresu profilu 328
• Organizowanie skupień do postaci drzewa klastrów 333
  • Oddolne grupowanie skupień 333
  • Przeprowadzanie hierarchicznej analizy skupień na macierzy odległości 335
  • Dołączanie dendrogramów do mapy cieplnej 338
  • Aglomeracyjna analiza skupień w bibliotece scikit-learn 339
• Wyznaczanie rejonów o dużej gęstości za pomocą algorytmu DBSCAN 340
• Podsumowanie 345

Rozdział 12. Implementowanie wielowarstwowej sieci neuronowej od podstaw 347

• Modelowanie złożonych funkcji przy użyciu sztucznych sieci neuronowych 348
  • Jednowarstwowa sieć neuronowa - powtórzenie 349
  • Wstęp do wielowarstwowej architektury sieci neuronowych 351
  • Aktywacja sieci neuronowej za pomocą propagacji w przód 354
• Klasyfikowanie pisma odręcznego 356
  • Zestaw danych MNIST 357
  • Implementacja perceptronu wielowarstwowego 362
• Trenowanie sztucznej sieci neuronowej 371
  • Obliczanie logistycznej funkcji kosztu 371
  • Ujęcie intuicyjne algorytmu wstecznej propagacji 374
  • Uczenie sieci neuronowych za pomocą algorytmu propagacji wstecznej 375
• Zbieżność w sieciach neuronowych 378
• Jeszcze słowo o implementacji sieci neuronowej 380
• Podsumowanie 380

Rozdział 13. Równoległe przetwarzanie sieci neuronowych za pomocą biblioteki TensorFlow 381

• Biblioteka TensorFlow a skuteczność uczenia 382
  • Czym jest biblioteka TensorFlow? 383
  • W jaki sposób będziemy poznawać bibliotekę TensorFlow? 384
  • Pierwsze kroki z biblioteką TensorFlow 384
  • Praca ze strukturami tablicowymi 386
  • Tworzenie prostego modelu za pomocą podstawowego interfejsu TensorFlow 387
• Skuteczne uczenie sieci neuronowych za pomocą wyspecjalizowanych interfejsów biblioteki TensorFlow 391
  • Tworzenie wielowarstwowych sieci neuronowych za pomocą interfejsu Layers 392
  • Projektowanie wielowarstwowej sieci neuronowej za pomocą interfejsu Keras 395
• Dobór funkcji aktywacji dla wielowarstwowych sieci neuronowych 400
  • Funkcja logistyczna - powtórzenie 400
  • Szacowanie prawdopodobieństw przynależności do klas w klasyfikacji wieloklasowej za pomocą funkcji softmax 402
  • Rozszerzanie zakresu wartości wyjściowych za pomocą funkcji tangensa hiperbolicznego 403
  • Aktywacja za pomocą prostowanej jednostki liniowej (ReLU) 405
• Podsumowanie 407

Rozdział 14. Czas na szczegóły - mechanizm działania biblioteki TensorFlow 409

• Główne funkcje biblioteki TensorFlow 410
• Rzędy i tensory 410
  • Sposób uzyskania rzędu i wymiarów tensora 411
• Grafy obliczeniowe 412
• Węzły zastępcze 414
  • Definiowanie węzłów zastępczych 414
  • Wypełnianie węzłów zastępczych danymi 415
  • Definiowanie węzłów zastępczych dla tablic danych o różnych rozmiarach pakietów danych 416
• Zmienne 417
  • Definiowanie zmiennych 417
  • Inicjowanie zmiennych 419
  • Zakres zmiennych 420
  • Wielokrotne wykorzystywanie zmiennych 421
• Tworzenie modelu regresyjnego 423
• Realizowanie obiektów w grafie TensorFlow przy użyciu ich nazw 426
• Zapisywanie i wczytywanie modelu 428
• Przekształcanie tensorów jako wielowymiarowych tablic danych 430
• Wykorzystywanie mechanizmów przebiegu sterowania do tworzenia grafów 433
• Wizualizowanie grafów za pomocą modułu TensorBoard 436
  • Zdobywanie doświadczenia w używaniu modułu TensorBoard 439
• Podsumowanie 440

Rozdział 15. Klasyfikowanie obrazów za pomocą splotowych sieci neuronowych 441

• Podstawowe elementy splotowej sieci neuronowej 442
  • Splotowe sieci neuronowe i hierarchie cech 442
  • Splot dyskretny 444
  • Podpróbkowanie 452
• Konstruowanie sieci CNN 454
  • Praca z wieloma kanałami wejściowymi/barw 454
  • Regularyzowanie sieci neuronowej metodą porzucania 457
• Implementacja głębokiej sieci splotowej za pomocą biblioteki TensorFlow 459
  • Architektura wielowarstwowej sieci CNN 459
  • Wczytywanie i wstępne przetwarzanie danych 460
  • Implementowanie sieci CNN za pomocą podstawowego interfejsu TensorFlow 461
  • Implementowanie sieci CNN za pomocą interfejsu Layers 471
• Podsumowanie 476

Rozdział 16. Modelowanie danych sekwencyjnych za pomocą rekurencyjnych sieci neuronowych 477

• Wprowadzenie do danych sekwencyjnych 478
  • Modelowanie danych sekwencyjnych - kolejność ma znaczenie 478
  • Przedstawianie sekwencji 478
  • Różne kategorie modelowania sekwencji 479
• Sieci rekurencyjne służące do modelowania sekwencji 480
  • Struktura sieci RNN i przepływ danych 480
  • Obliczanie aktywacji w sieciach rekurencyjnych 482
  • Problemy z uczeniem długofalowych oddziaływań 485
  • Jednostki LSTM 486
• Implementowanie wielowarstwowej sieci rekurencyjnej przy użyciu biblioteki TensorFlow do modelowania sekwencji 488
• Pierwszy projekt - analiza sentymentów na zestawie danych IMDb za pomocą wielowarstwowej sieci rekurencyjnej 489
  • Przygotowanie danych 489
  • Wektor właściwościowy 492
  • Budowanie modelu sieci rekurencyjnej 494
  • Konstruktor klasy SentimentRNN 495
  • Metoda build 495
  • Metoda train 499
  • Metoda predict 500
  • Tworzenie wystąpienia klasy SentimentRNN 500
  • Uczenie i optymalizowanie modelu sieci rekurencyjnej przeznaczonej do analizy sentymentów 501
• Drugi projekt - implementowanie sieci rekurencyjnej modelującej język na poziomie znaków 502
  • Przygotowanie danych 503
  • Tworzenie sieci RNN przetwarzającej znaki 506
  • Konstruktor 506
  • Metoda build 507
  • Metoda train 509
  • Metoda sample 510
  • Tworzenie i uczenie modelu CharRNN 512
  • Model CharRNN w trybie próbkowania 512
• Podsumowanie rozdziału i książki 513