Uczenie maszynowe jest dziś wykorzystywane w różnych dziedzinach życia: w biznesie, w polityce, w organizacjach non profit i oczywiście w nauce. Samouczące się algorytmy maszynowe stanowią wyjątkową metodę przekształcania danych w wiedzę. Powstało sporo książek wyjaśniających sposób działania tych algorytmów i prezentujących nieraz spektakularne przykłady ich wykorzystania. Do dyspozycji pozostają też narzędzia przeznaczone do tego rodzaju zastosowań, takie jak biblioteki Pythona, w tym pandas i scikit-learn. Problemem pozostaje implementacja rozwiązań codziennych problemów związanych z uczeniem maszynowym.

Z tej książki najwięcej skorzystają profesjonaliści, którzy znają podstawowe koncepcje związane z uczeniem maszynowym. Osoby te potraktują ją jako przewodnik ułatwiający rozwiązywanie konkretnych problemów napotykanych podczas codziennej pracy z uczeniem maszynowym. Dzięki zawartym tu recepturom takie zadania jak wczytywanie danych, obsługa danych tekstowych i liczbowych, wybór modelu czy redukcja wymiarowości staną się o wiele łatwiejsze do wykonania. Każda receptura zawiera kod, który można wstawić do swojego programu, połączyć lub zaadaptować według potrzeb. Przedstawiono także analizy wyjaśniające poszczególne rozwiązania i ich kontekst. Z tą książką płynnie przejdziesz od rozważań teoretycznych do opracowywania działających aplikacji i praktycznego korzystania z zalet uczenia maszynowego.

Receptury w tej książce dotyczą:

• wektorów, macierzy i tablic
• obsługi danych liczbowych i tekstowych, obrazów, a także związanych z datą i godziną
• redukcji wymiarowości za pomocą wyodrębniania i wyboru cech
• oceny i wyboru modelu oraz regresji liniowej i logistycznej
• maszyn wektorów nośnych (SVM), naiwnej klasyfikacji bayesowskiej, klasteryzacji i sieci neuronowych
• zapisywania i wczytywania wytrenowanych modeli

Uczenie maszynowe w Pythonie - użyj sprawdzonych receptur kodu!

Rozdziały:

Wprowadzenie 11

1. Wektor, macierz i tablica 15

• 1.0. Wprowadzenie 15
• 1.1. Tworzenie wektora 15
• 1.2. Tworzenie macierzy 16
• 1.3. Tworzenie macierzy rzadkiej 17
• 1.4. Pobieranie elementów 18
• 1.5. Opisywanie macierzy 20
• 1.6. Przeprowadzanie operacji na elementach 20
• 1.7. Znajdowanie wartości maksymalnej i minimalnej 21
• 1.8. Obliczanie średniej, wariancji i odchylenia standardowego 22
• 1.9. Zmiana kształtu tablicy 23
• 1.10. Transponowanie wektora lub macierzy 24
• 1.11. Spłaszczanie macierzy 25
• 1.12. Znajdowanie rzędu macierzy 25
• 1.13. Obliczanie wyznacznika macierzy 26
• 1.14. Pobieranie przekątnej macierzy 27
• 1.15. Obliczanie śladu macierzy 27
• 1.16. Znajdowanie wektorów i wartości własnych 28
• 1.17. Obliczanie iloczynu skalarnego 29
• 1.18. Dodawanie i odejmowanie macierzy 30
• 1.19. Mnożenie macierzy 31
• 1.20. Odwracanie macierzy 32
• 1.21. Generowanie liczb losowych 33

2. Wczytywanie danych 35

• 2.0. Wprowadzenie 35
• 2.1. Wczytywanie przykładowego zbioru danych 35
• 2.2. Tworzenie symulowanego zbioru danych 36
• 2.3. Wczytywanie pliku CSV 39
• 2.4. Wczytywanie pliku Excela 40
• 2.5. Wczytywanie pliku JSON 41
• 2.6. Wykonywanie zapytań do bazy danych SQL 42

3. Przygotowywanie danych 45

• 3.0. Wprowadzenie 45
• 3.1. Tworzenie ramki danych 46
• 3.2. Opisywanie danych 47
• 3.3. Poruszanie się po ramce danych 49
• 3.4. Pobieranie wierszy na podstawie pewnych warunków 51
• 3.5. Zastępowanie wartości 52
• 3.6. Zmiana nazwy kolumny 53
• 3.7. Znajdowanie wartości minimalnej, maksymalnej, sumy, średniej i liczby elementów w kolumnie 54
• 3.8. Znajdowanie unikatowych wartości 55
• 3.9. Obsługa brakujących wartości 56
• 3.10. Usuwanie kolumn 58
• 3.11. Usuwanie wiersza 59
• 3.12. Usuwanie powielonych wierszy 60
• 3.13. Grupowanie wierszy 62
• 3.14. Grupowanie wierszy według czasu 63
• 3.15. Iterowanie przez kolumnę 65
• 3.16. Wywoływanie funkcji dla wszystkich elementów kolumny 66
• 3.17. Wywoływanie funkcji dla grupy 67
• 3.18. Konkatenacja obiektów typu DataFrame 68
• 3.19. Złączanie obiektów typu DataFrame 69

4. Obsługa danych liczbowych 73

• 4.0. Wprowadzenie 73
• 4.1. Przeskalowywanie cechy 73
• 4.2. Standaryzowanie cechy 74
• 4.3. Normalizowanie obserwacji 76
• 4.4. Generowanie cech wielomianowych i interakcji 78
• 4.5. Transformacja cech 79
• 4.6. Wykrywanie elementów odstających 80
• 4.7. Obsługa elementów odstających 82
• 4.8. Dyskretyzacja cech 84
• 4.9. Grupowanie obserwacji przy użyciu klastra 85
• 4.10. Usuwanie obserwacji, w których brakuje wartości 87
• 4.11. Uzupełnianie brakujących wartości 88

5. Obsługa danych kategoryzujących 91

• 5.0. Wprowadzenie 91
• 5.1. Kodowanie nominalnych cech kategoryzujących 92
• 5.2. Kodowanie porządkowych cech kategoryzujących 94
• 5.3. Kodowanie słowników cech 96
• 5.4. Wstawianie brakujących wartości klas 98
• 5.5. Obsługa niezrównoważonych klas 99

6. Obsługa tekstu 103

• 6.0. Wprowadzenie 103
• 6.1. Oczyszczanie tekstu 103
• 6.2. Przetwarzanie i oczyszczanie danych HTML 105
• 6.3. Usuwanie znaku przestankowego 105
• 6.4. Tokenizacja tekstu 106
• 6.5. Usuwanie słów o małym znaczeniu 107
• 6.6. Stemming słów 108
• 6.7. Oznaczanie części mowy 109
• 6.8. Kodowanie tekstu za pomocą modelu worka słów 111
• 6.9. Określanie wagi słów 113

7. Obsługa daty i godziny 117

• 7.0. Wprowadzenie 117
• 7.1. Konwertowanie ciągu tekstowego na datę 117
• 7.2. Obsługa stref czasowych 118
• 7.3. Pobieranie daty i godziny 120
• 7.4. Podział danych daty na wiele cech 121
• 7.5. Obliczanie różnicy między datami 122
• 7.6. Kodowanie dni tygodnia 123
• 7.7. Tworzenie cechy opóźnionej w czasie 124
• 7.8. Użycie okien upływającego czasu 125
• 7.9. Obsługa brakujących danych w serii danych zawierających wartości daty i godziny 126

8. Obsługa obrazów 129

• 8.0. Wprowadzenie 129
• 8.1. Wczytywanie obrazu 129
• 8.2. Zapisywanie obrazu 132
• 8.3. Zmiana wielkości obrazu 133
• 8.4. Kadrowanie obrazu 134
• 8.5. Rozmywanie obrazu 135
• 8.6. Wyostrzanie obrazu 138
• 8.7. Zwiększanie kontrastu 138
• 8.8. Izolowanie kolorów 141
• 8.9. Progowanie obrazu 142
• 8.10. Usuwanie tła obrazu 145
• 8.11. Wykrywanie krawędzi 147
• 8.12. Wykrywanie narożników w obrazie 150
• 8.13. Tworzenie cech w uczeniu maszynowym 153
• 8.14. Użycie średniej koloru jako cechy 155
• 8.15. Użycie histogramu koloru jako cechy 157

9. Redukowanie wymiarowości za pomocą wyodrębniania cech 161

• 9.0. Wprowadzenie 161
• 9.1. Redukowanie cech za pomocą głównych składowych 161
• 9.2. Redukowanie cech, gdy dane są liniowo nierozłączne 164
• 9.3. Redukowanie cech przez maksymalizację rozłączności klas 166
• 9.4. Redukowanie cech za pomocą rozkładu macierzy 169
• 9.5. Redukowanie cech w rzadkich danych 170

10. Redukcja wymiarowości za pomocą wyboru cech 173

• 10.0. Wprowadzenie 173
• 10.1. Progowanie wariancji cechy liczbowej 173
• 10.2. Progowanie wariancji cechy binarnej 175
• 10.3. Obsługa wysoce skorelowanych cech 176
• 10.4. Usuwanie nieistotnych dla klasyfikacji cech 177
• 10.5. Rekurencyjne eliminowanie cech 179

11. Ocena modelu 183

• 11.0. Wprowadzenie 183
• 11.1. Modele sprawdzianu krzyżowego 183
• 11.2. Tworzenie modelu regresji bazowej 186
• 11.3. Tworzenie modelu klasyfikacji bazowej 188
• 11.4. Ocena prognoz klasyfikatora binarnego 189
• 11.5. Ocena progowania klasyfikatora binarnego 192
• 11.6. Ocena prognoz klasyfikatora wieloklasowego 195
• 11.7. Wizualizacja wydajności klasyfikatora 197
• 11.8. Ocena modelu regresji 199
• 11.9. Ocena modelu klasteryzacji 201
• 11.10. Definiowanie niestandardowych współczynników oceny modelu 202
• 11.11. Wizualizacja efektu wywieranego przez wielkość zbioru uczącego 204
• 11.12. Tworzenie raportu tekstowego dotyczącego współczynnika oceny 206
• 11.13. Wizualizacja efektu wywieranego przez zmianę wartości hiperparametrów 207

12. Wybór modelu 211

• 12.0. Wprowadzenie 211
• 12.1. Wybór najlepszych modeli przy użyciu wyczerpującego wyszukiwania 212
• 12.2. Wybór najlepszych modeli za pomocą przeszukiwania losowego 214
• 12.3. Wybór najlepszych modeli z wielu algorytmów uczenia maszynowego 216
• 12.4. Wybór najlepszych modeli na etapie przygotowywania danych 217
• 12.5. Przyspieszanie wyboru modelu za pomocą równoległości 219
• 12.6. Przyspieszanie wyboru modelu przy użyciu metod charakterystycznych dla algorytmu 220
• 12.7. Ocena wydajności po wyborze modelu 221

13. Regresja liniowa 225

• 13.0. Wprowadzenie 225
• 13.1. Wyznaczanie linii 225
• 13.2. Obsługa wpływu interakcji 227
• 13.3. Wyznaczanie zależności nieliniowej 228
• 13.4. Redukowanie wariancji za pomocą regularyzacji 230
• 13.5. Redukowanie cech za pomocą regresji metodą LASSO 232

14. Drzewa i lasy 235

• 14.0. Wprowadzenie 235
• 14.1. Trenowanie klasyfikatora drzewa decyzyjnego 235
• 14.2. Trenowanie regresora drzewa decyzyjnego 237
• 14.3. Wizualizacja modelu drzewa decyzyjnego 238
• 14.4. Trenowanie klasyfikatora losowego lasu 240
• 14.5. Testowanie regresora losowego lasu 241
• 14.6. Identyfikacja ważnych cech w losowych lasach 242
• 14.7. Wybór ważnych cech w losowym lesie 245
• 14.8. Obsługa niezrównoważonych klas 246
• 14.9. Kontrolowanie wielkości drzewa 247
• 14.10. Poprawa wydajności za pomocą wzmocnienia 248
• 14.11. Ocena losowego lasu za pomocą estymatora błędu out-of-bag 250

15. Algorytm k najbliższych sąsiadów 251

• 15.0. Wprowadzenie 251
• 15.1. Wyszukiwanie najbliższych sąsiadów obserwacji 251
• 15.2. Tworzenie klasyfikatora k najbliższych sąsiadów 253
• 15.3. Ustalanie najlepszej wielkości sąsiedztwa 255
• 15.4. Tworzenie klasyfikatora najbliższych sąsiadów opartego na promieniu 256

16. Regresja logistyczna 259

• 16.0. Wprowadzenie 259
• 16.1. Trenowanie klasyfikatora binarnego 259
• 16.2. Trenowanie klasyfikatora wieloklasowego 260
• 16.3. Redukcja wariancji poprzez regularyzację 262
• 16.4. Trenowanie klasyfikatora na bardzo dużych danych 263
• 16.5. Obsługa niezrównoważonych klas 264

17. Maszyna wektora nośnego 267

• 17.0. Wprowadzenie 267
• 17.1. Trenowanie klasyfikatora liniowego 267
• 17.2. Obsługa liniowo nierozdzielnych klas przy użyciu funkcji jądra 270
• 17.3. Określanie prognozowanego prawdopodobieństwa 273
• 17.4. Identyfikacja wektorów nośnych 275
• 17.5. Obsługa niezrównoważonych klas 276

18. Naiwny klasyfikator bayesowski 279

• 18.0. Wprowadzenie 279
• 18.1. Trenowanie klasyfikatora dla cech ciągłych 280
• 18.2. Trenowanie klasyfikatora dla cech dyskretnych lub liczebnych 282
• 18.3. Trenowanie naiwnego klasyfikatora bayesowskiego dla cech binarnych 283
• 18.4. Kalibrowanie prognozowanego prawdopodobieństwa 284

19. Klasteryzacja 287

• 19.0. Wprowadzenie 287
• 19.1. Klasteryzacja za pomocą k średnich 287
• 19.2. Przyspieszanie klasteryzacji za pomocą k średnich 290
• 19.3. Klasteryzacja za pomocą algorytmu meanshift 290
• 19.4. Klasteryzacja za pomocą algorytmu DBSCAN 292
• 19.5. Klasteryzacja za pomocą łączenia hierarchicznego 293

20. Sieci neuronowe 295

• 20.0. Wprowadzenie 295
• 20.1. Przygotowywanie danych dla sieci neuronowej 296
• 20.2. Projektowanie sieci neuronowej 297
• 20.3. Trenowanie klasyfikatora binarnego 300
• 20.4. Trenowanie klasyfikatora wieloklasowego 302
• 20.5. Trenowanie regresora 304
• 20.6. Generowanie prognoz 305
• 20.7. Wizualizacja historii trenowania 307
• 20.8. Redukcja nadmiernego dopasowania za pomocą regularyzacji wagi 310
• 20.9. Redukcja nadmiernego dopasowania za pomocą techniki wcześniejszego zakończenia procesu uczenia 311
• 20.10. Redukcja nadmiernego dopasowania za pomocą techniki porzucenia 313
• 20.11. Zapisywanie postępu modelu uczącego 315
• 20.12. K-krotny sprawdzian krzyżowy sieci neuronowej 316
• 20.13. Dostrajanie sieci neuronowej 318
• 20.14. Wizualizacja sieci neuronowej 320
• 20.15. Klasyfikacja obrazów 322
• 20.16. Poprawa wydajności przez modyfikację obrazu 325
• 20.17. Klasyfikowanie tekstu 327

21. Zapisywanie i wczytywanie wytrenowanych modeli 331

• 21.0. Wprowadzenie 331
• 21.1. Zapisywanie i wczytywanie modelu biblioteki scikit-learn 331
• 21.2. Zapisywanie i wczytywanie modelu biblioteki Keras 332

Skorowidz 335