Rozdział 1. Poznawanie potencjału języka JavaScript 15 Język JavaScript 15 Uczenie maszynowe 18 Zalety i wyzwania związane ze stosowaniem języka JavaScript 20 Inicjatywa CommonJS 21 Node.js 22 Język TypeScript 24 Usprawnienia wprowadzone w ES6 26 Let i const 26 Klasy 27 Importowanie modułów 29 Funkcje strzałkowe 29 Literały obiektowe 31 Funkcja for...of 31 Obietnice 32 Funkcje async/wait 33 Przygotowywanie środowiska programistycznego 34 Instalowanie Node.js 34 Opcjonalne zainstalowanie Yarn 35 Tworzenie i inicjowanie przykładowego projektu 35 Tworzenie projektu "Witaj, świecie!" 36 Rozdział 2. Badanie danych 39 Przetwarzanie danych 39 Identyfikacja cech 42 Przekleństwo wymiarowości 43 Wybór cech oraz wyodrębnianie cech 45 Przykład korelacji Pearsona 48 Czyszczenie i przygotowywanie danych 51 Obsługa brakujących danych 51 Obsługa szumów 53 Obsługa elementów odstających 58 Przekształcanie i normalizacja danych 61 Rozdział 3. Przegląd algorytmów uczenia maszynowego 69 Wprowadzenie do uczenia maszynowego 70 Typy uczenia 70 Uczenie nienadzorowane 72 Uczenie nadzorowane 75 Uczenie przez wzmacnianie 83 Kategorie algorytmów 84 Grupowanie 84 Klasyfikacja 84 Regresja 85 Redukcja wymiarowości 85 Optymalizacja 86 Przetwarzanie języka naturalnego 86 Przetwarzanie obrazów 87 Rozdział 4. Algorytmy grupowania na podstawie klastrów 89 Średnia i odległość 90 Pisanie algorytmu k-średnich 93 Przygotowanie środowiska 93 Inicjalizacja algorytmu 94 Testowanie losowo wygenerowanych centroidów 99 Przypisywanie punktów do centroidów 100 Aktualizowanie położenia centroidów 102 Pętla główna 106 Przykład 1. - k-średnich na prostych danych dwuwymiarowych 107 Przykład 2. - dane trójwymiarowe 114 Algorytm k-średnich, kiedy k nie jest znane 116 Rozdział 5. Algorytmy klasyfikacji 123 k najbliższych sąsiadów 124 Implementacja algorytmu KNN 125 Naiwny klasyfikator bayesowski 138 Tokenizacja 140 Implementacja algorytmu 141 Przykład 3. - ocenianie charakteru recenzji filmów 150 Maszyna wektorów nośnych 154 Lasy losowe 162 Rozdział 6. Algorytmy reguł asocjacyjnych 169 Z matematycznego punktu widzenia 171 Z punktu widzenia algorytmu 174 Zastosowania reguły asocjacji 176 Przykład - dane ze sprzedaży detalicznej 178 Rozdział 7. Przewidywanie z użyciem algorytmów regresji 183 Porównanie regresji i klasyfikacji 184 Podstawy regresji 185 Przykład 1. - regresja liniowa 189 Przykład 2. - regresja wykładnicza 193 Przykład 3. - regresja wielomianowa 198 Inne techniki analizy szeregów czasowych 200 Filtrowanie 201 Analiza sezonowości 203 Analiza fourierowska 204 Rozdział 8. Algorytmy sztucznych sieci neuronowych 209 Opis koncepcji sieci neuronowych 210 Uczenie metodą propagacji wstecznej 214 Przykład - XOR z użyciem TensorFlow.js 217 Rozdział 9. Głębokie sieci neuronowe 227 Konwolucyjne sieci neuronowe 228 Konwolucje oraz warstwy konwolucyjne 229 Przykład - zbiór MNIST ręcznie zapisanych cyfr 234 Rekurencyjne sieci neuronowe 241 SimpleRNN 242 Topologia GRU 246 Długa pamięć krótkoterminowa - LSTM 249 Rozdział 10. Przetwarzanie języka naturalnego w praktyce 253 Odległość edycyjna 255 Ważenie termów - odwrotna częstość w dokumentach 257 Tokenizacja 263 Stemming 270 Fonetyka 272 Oznaczanie części mowy 274 Techniki przekazywania słów do sieci neuronowych 276 Rozdział 11. Stosowanie uczenia maszynowego w aplikacjach czasu rzeczywistego 281 Serializacja modeli 282 Uczenie modeli na serwerze 283 Wątki robocze 286 Modele samodoskonalące oraz spersonalizowane 287 Potokowanie danych 290 Przeszukiwanie danych 291 Łączenie i agregacja danych 293 Przekształcenia i normalizacja 295 Przechowywanie i dostarczanie danych 298 Rozdział 12. Wybieranie najlepszego algorytmu dla aplikacji 303 Tryb uczenia 305 Zadanie do wykonania 308 Format, postać, wejście i wyjście 309 Dostępne zasoby 312 W razie problemów 313 Łączenie modeli 316