SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

2 wyniki

Książka

W koszyku

Data science i uczenie maszynowe / Marcin Szeliga. - Warszawa : Wydawnictwo Naukowe PWN, 2017. - XXVI, [2], 371, [1] s. : il. ; 24 cm.

Autor

Szeliga Marcin.

Temat

Bazy danych Data Mining (metoda) Informatyka stosowana Statystyka Uczenie maszynowe.

Gatunek

Podręcznik.

Zawiera polsko-angielski i angielsko-polski słownik terminów data science.

Bibliogr., netogr. s. 353-[359].

Dla studentów studiów stacjonarnych i zaocznych kierunków informatycznych, zarządzania i marketingu oraz osób zawodowo pracujących w tych dziedzinach.

O czym jest ta książka? Data science Uczenie maszynowe Dla kogo jest ta książka? Narzędzia Usługa Azure ML Język R Microsoft R Open Przykładowe dane Konwencje i oznaczenia 1. Uczenie maszynowe jako element eksperymentów data science 1.1. Eksploracja danych jako technika wspomagania decyzji 1.2. Modelowanie 1.3. Wiedza i proces uczenia 1.4. Hipotezy 1.5. Założenia eksperymentu data science 1.6. Dwa typy analiz 1.7. Data science jako metoda naukowa 1.8. Przykładowy eksperyment – optymalizacja kampanii marketingowej 1.8.1. Zrozumienie problemu i określenie celów eksperymentu 1.8.2. Zrozumienie danych 1.8.3. Wstępne przetwarzanie danych 1.8.4. Modelowanie 1.8.5. Ocena 1.8.6. Wdrożenie 2. Ocena przydatności danych 2.1. Dane źródłowe 2.2. Zmienne 2.2.1. Rozkład częstości zmiennych 2.2.2. Graficzna prezentacja danych 2.2.3. Korelacje (związki między zmiennymi) 2.3. Reprezentatywność danych 2.4. Duplikaty 2.5. Szeregi czasowe 3. Wstępne przetwarzanie danych 3.1. Uzupełnianie brakujących danych 3.2. Poprawianie błędnych danych 3.3. Zmienne numeryczne 3.3.1. Instalowanie dodatkowych bibliotek R w Azure ML 3.3.2. Wartości nietypowe (odstające) 3.3.3. Normalizacja 3.3.4. Dyskretyzacja 3.4. Zmienne kategoryczne 3.4.1. Problem jakości danych tekstowych 3.4.2. Uogólnienie (generalizacja) 3.4.3. Numerowanie stanów 3.4.4. Zmienne porządkowe 3.5. Szeregi czasowe 3.6. Wyrażenia języka naturalnego 3.7. Redukcja wymiarów 3.7.1. Usuwanie zmiennych na podstawie ich zdolności predykcyjnych 3.7.2. Analiza głównych składowych (PCA) 4. Wzbogacanie danych 4.1. Równoważenie danych 4.1.1. Usunięcie części przykładów większościowych 4.1.2. Nadpróbkowanie 4.2. Zmienne wyliczeniowe 4.3. Zastąpienie zmiennych wspólnym rozkładem prawdopodobieństwa 4.4. Wydzielenie danych testowych 4.4.1. Szeregi czasowe 4.4.2. Modele rekomendujące 4.4.3. Modele wykrywania oszustw 4.5. Wzorzec eksperymentu data science 5. Klasyfikacja 5.1. Klasyfikacja poprzez indukcję drzew decyzyjnych 5.1.1. Drzewa decyzyjne – definicja 5.1.2. Pojedyncze drzewa decyzyjne 5.1.3. Kombinacje drzew decyzyjnych 5.2. Klasyfikacja z użyciem maszyny wektorów nośnych 5.2.1. Przetwarzanie języka naturalnego przy użyciu maszyny wektorów nośnych 5.2.2. Modele maszyny wektorów nośnych i lokalnie głębokiej maszyny wektorów nośnych 5.3. Klasyfikacja probabilistyczna 5.3.1. Sieć Bayesa 5.3.2. Maszyna punktów Bayesa 5.4. Inne klasyfikatory dostępne w Studiu Azure ML 5.4.1. Inne klasyfikatory – omówienie 5.4.2. Modele eksploracji danych w języku R 5.5. Klasyfikatory binarne a klasyfikacja wieloklasowa 5.6. Wykrywanie oszustw jako przykład klasyfikacji binarnej 5.6.1. Oznaczenie obserwacji 5.6.2. Zrównoważenie danych i wydzielenie danych testowych 5.6.3. Wzbogacenie danych 6. Regresja 6.1. Model regresji wielorakiej 6.1.1 Wieloraka regresja liniowa 6.1.2. Estymacja bayesowska modelu regresji liniowej 6.2. Zmienne kategoryczne w modelach regresji 6.2.1. Regresja Poissona 6.2.2. Regresja porządkowa 6.3. Regresja kwantylowa 6.4. Regresja poprzez indukcję drzew decyzyjnych 6.5. Sztuczne sieci neuronowe 6.5.1. Perceptron 6.5.2. Sieci neuronowe a regresja 6.5.3. Metody minimalizacji błędu 6.5.4. Wsteczna propagacja błędów 6.5.5. Regresja z użyciem sieci neuronowej 6.5.6. Głębokie sieci neuronowe 7. Grupowanie (analiza skupień) 7.1. Na czym polega grupowanie 7.2. Algorytmy grupowania 7.2.1. Grupowanie hierarchiczne 7.2.2. Grupowanie iteracyjno-optymalizacyjne 7.3. Grupowanie w celu znajdowania podobnych obiektów 7.4. Grupowanie w celu kompresji 7.5. Wykrywanie anomalii 8. Rekomendowanie 8.1. Systemy rekomendujące 8.2. Odkrywanie asocjacji 8.3. Model Matchbox Recommender 8.3.1. Rekomendowanie przez filtrowanie kolektywne 8.3.2. Rekomendowanie przez filtrowanie cech przedmiotów i użytkowników (hybrydowe) 9. Prognozowanie 9.1. Szeregi czasowe 9.2. Naiwne metody prognozowania 9.3. Modele średniej ważonej 9.4. Modele ARIMA 9.5. Modele nieliniowe 9.6. Prognozowanie w Studiu Azure ML 10. Ocena i poprawa jakości modeli 10.1. Reguła powrotu do średniej 10.2. Kryteria oceny modeli eksploracji danych 10.2.1. Łatwość interpretacji 10.2.2. Trafność 10.2.3. Wiarygodność 10.2.4. Wydajność i skalowalność 10.2.5. Przydatność 10.3. Ocena jakości modeli klasyfikacyjnych 10.3.1. Moduł Evaluate Model 10.3.2. Macierz pomyłek 10.3.3. Krzywa ROC 10.3.4. Wykres precyzja w funkcji czułości i wykres zysku 10.3.5. Trafność klasyfikacji 10.3.6. Klasyfikatory wieloklasowe 10.4. Ocena jakości modeli regresyjnych 10.4.1. Miary oceny modeli 10.4.2. Walidacja krzyżowa 10.5. Ocena jakości modeli grupujących 10.6. Ocena jakości modeli rekomendujących 10.7. Ocena jakości modeli prognozujących 10.8. Porównanie jakości modeli 10.9. Poprawa jakości modeli 10.9.1. Automatyczna poprawa jakości modeli uczenia nadzorowanego 10.9.2. Znalezienie optymalnej liczby klastrów 10.10. Cykl życia eksperymentu data science 11. Publikacja modeli eksploracji danych jako usług WWW 11.1. Wzorcowy eksperyment data science 11.2. Predykcyjne usługi WWW 11.2.1. Zapytania predykcyjne ad-hoc 11.2.2. Wsadowe zapytania predykcyjne

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 144353 (1 egz.)

Brak okładki

Czasopismo

W koszyku

Theoretical and Applied Informatics / Polish Academy of Science. Committee of Informatics, Institute of Theoretical and Applied Informatics ; red.nacz. Stefan Węgrzyn. - Gliwice ; Warszawa : Warszawska Drukarnia Naukowa PAN, 2006- . - 24 cm.

Autor

Węgrzyn Stefan (1925-2011).

Temat

Informatyka Informatyka stosowana

Stanowi kontynuację: Archiwum Informatyki Teoretycznej i Stosowanej

Zawartość zasobu Magazyn P 1426 udostępniany w BWEiZ

2006 Vol.18 nr 1-4

2007 Vol.19 nr 1-4

2008 Vol.20 nr 1-4

2009 Vol.21 nr 1-4

Ostatnio wpłynęły zeszyty:

Czytelnia Główna: 2006 vol. Vol.18, nr 1, vol. Vol.18, nr 2, vol. Vol.18, nr 3, vol. Vol.18, nr 4, 2007 vol. Vol.19, nr 1, vol. Vol.19, nr 2, vol. Vol.19, nr 3, vol. Vol.19, nr 4, 2008 vol. Vol.20, nr 1, vol. Vol.20, nr 2, vol. Vol.20, nr 3, vol. Vol.20, nr 4, 2009 vol. 21, nr 1, vol. 21, nr 2, vol. 21, nr 3-4