Maschinelles Lernen in Python. Rezepte. Von der Datenaufbereitung bis zum Deep Learning. 2. Auflage - K. Gallatin

Produktbeschreibung: Maschinelles Lernen in Python. Rezepte. Von der Datenaufbereitung bis zum Deep Learning. 2. Auflage - Kyle Gallatin, Chris Albon

Die zweite Auflage von Maschinelles Lernen in Python enthält über 200 bewährte Rezepte, die auf den neuesten Versionen der Python-Bibliotheken basieren. Sie enthalten vorgefertigten Code, der an die eigenen Bedürfnisse angepasst werden kann. Das Buch enthält fertige Beispiele für die Arbeit mit Daten in verschiedenen Formaten, Datenbanken und Datenspeichern sowie zahlreiche Ratschläge, die bei der Bewältigung eines breiten Spektrums von Problemen, von der Vorbereitung und dem Laden von Daten bis hin zum Training von Modellen und der Verwendung neuronaler Netze, hilfreich sein können. Die Publikation eignet sich für alle, die Algorithmen des maschinellen Lernens in der Praxis umsetzen wollen.

Maschinelles Lernen in Python. Rezepte. Von der Datenaufbereitung bis zum Deep Learning. 2. Auflage - K. Gallatin.

Maschinelles Lernen in Python. Recipes. Von der Datenaufbereitung bis zum Deep Learning.

Ein paar Worte über die Autoren

Kyle Gallatin ist ein Ingenieur, der Software für die Plattform für maschinelles Lernen bei Etsy entwickelt. Er hat auch als Datenwissenschaftler, Datenanalytiker und Ingenieur für maschinelles Lernen gearbeitet.

Dr. Chris Albon ist seit vielen Jahren als Datenanalytiker und Politikwissenschaftler tätig. Er arbeitet derzeit für Devoted Health und war außerdem leitender Datenanalyst beim kenianischen Startup BRCK.

Maschinelles Lernen - Rezepte

Maschinelles Lernen ist einer der interessantesten und am schnellsten wachsenden Bereiche der Informationstechnologie. Das Buch bietet Informationen über die Arbeit mit Daten in verschiedenen Formaten, Datenbanken und Datenspeichern. Außerdem werden Techniken zur Dimensionalitätsreduktion und Methoden zur Modellbewertung und -auswahl erörtert. Die Veröffentlichung enthält Formulierungen zu Themen wie lineare und logistische Regression, Entscheidungsbäume und Zufallswälder sowie k-nearest neighbour Algorithmen, Support Vector Machines (SVMs), naive Bayes'sche Klassifikation und Clustering.

Über das Buch

• Originaltitel: Machine Learning with Python Cookbook: Praktische Lösungen von Preprocessing bis Deep Learning, 2.
• Autoren: Kyle Gallatin, Dr. Chris Albon
• Übersetzung: Robert Górczynski
• ISBN: 978-83-289-0811-6
• Ausgabe Jahr: 2024
• Format: 165 x 235 mm
• Bindung: weich
• Anzahl der Seiten: 398
• Herausgeber: Helion S.A.

Das Buch ist für Programmierer bestimmt.

Inhaltsübersicht

Einführung

1. Vektor, Array und Tabelle

1. 1.0 Einführung
2. 1.1 Erstellen eines Vektors
3. 1.2 Erstellen eines Arrays
4. 1.3 Erstellen einer dünnbesetzten Matrix
5. 1.4 Vorab-Zuweisung eines NumPy-Arrays
6. 1.5 Abrufen von Elementen
7. 1.6 Beschreiben eines Arrays
8. 1.7 Durchführen von Operationen auf allen Elementen
9. 1.8 Finden des Maximal- und Minimalwertes
10. 1.9 Berechnung von Mittelwert, Varianz und Standardabweichung
11. 1.10 Umformung eines Arrays
12. 1.11. Transponieren eines Vektors oder einer Matrix
13. 1.12. Abflachen einer Matrix
14. 1.13. Finden der Zeile einer Matrix
15. 1.14. Abrufen der Diagonale einer Matrix
16. 1.15. Berechnen der Spur einer Matrix
17. 1.16. Berechnen des Skalarprodukts
18. 1.17. Addieren und Subtrahieren einer Matrix
19. 1.18. Matrix-Multiplikation
20. 1.19. Invertierung einer Matrix
21. 1.20. Erzeugung von Zufallszahlen

2 Laden von Daten

1. 2.0 Einführung
2. 2.1 Laden eines Beispieldatensatzes
3. 2.2 Erstellen eines simulierten Datensatzes
4. 2.3 Laden einer CSV-Datei
5. 2.4 Laden einer Excel-Datei
6. 2.5 Laden einer JSON-Datei
7. 2.6 Laden der Parquet-Datei
8. 2.7 Laden der Avro-Datei
9. 2.8 Abfrage einer SQLite-Datenbank
10. 2.9 Abfrage einer entfernten SQL-Datenbank
11. 2.10. das Laden von Daten aus Google Sheets
12. 2.11. Laden von Daten aus einem S3-Bucket
13. 2.12. Laden von unstrukturierten Daten

3 Aufbereitung von Daten

1. 3.0 Einführung
2. 3.1 Erstellen eines Datenrahmens
3. 3.2 Beschreiben der Daten
4. 3.3 Navigieren im Datenrahmen
5. 3.4 Abrufen von Zeilen auf der Grundlage bestimmter Bedingungen
6. 3.5 Sortieren von Werten
7. 3.6 Ersetzen von Werten
8. 3.7 Umbenennen einer Spalte
9. 3.8 Minimum, Maximum, Summe, Durchschnitt und Anzahl der Elemente in einer Spalte ermitteln
10. 3.9 Suche nach eindeutigen Werten
11. 3.10. Umgang mit fehlenden Werten
12. 3.11. Löschen von Spalten
13. 3.12. Löschen einer Zeile
14. 3.13. Löschen von doppelten Zeilen
15. 3.14. Zeilen nach Wert gruppieren
16. 3.15. Zeilen nach der Zeit gruppieren
17. 3.16. Aggregieren von Operationen und Statistiken
18. 3.17. Iterieren durch eine Spalte
19. 3.18. Aufrufen von Funktionen für alle Spaltenelemente
20. 3.19. Funktionsaufruf für eine Gruppe
21. 3.20. Verkettung von DataFrame-Objekten
22. 3.21. Verkettung von DataFrame-Objekten

4 Umgang mit numerischen Daten

1. 4.0 Einführung
2. 4.1 Skalierung eines Merkmals
3. 4.2 Normierung des Merkmals
4. 4.3 Normalisierung von Beobachtungen
5. 4.4 Erzeugen von Polynom- und Interaktionsmerkmalen
6. 4.5 Merkmalstransformation
7. 4.6 Erkennung von Ausreißern
8. 4.7 Behandlung von Ausreißern
9. 4.8 Diskretisierung von Merkmalen
10. 4.9 Clustering von Beobachtungen mittels Clustering
11. 4.10. Löschen von Beobachtungen mit fehlenden Werten
12. 4.11. Auffüllen von fehlenden Werten

5 Umgang mit kategorisierten Daten

1. 5.0 Einführung
2. 5.1 Kodierung von nominalen kategorisierenden Merkmalen
3. 5.2 Codierung von ordinalen kategorisierenden Merkmalen
4. 5.3 Kodierung von Merkmalswörterbüchern
5. 5.4 Einfügen von fehlenden Klassenwerten
6. 5.5 Umgang mit unausgewogenen Klassen

6. die Behandlung von Text

1. 6.0 Einführung
2. 6.1 Bereinigung von Text
3. 6.2 Verarbeitung und Bereinigung von HTML-Daten
4. 6.3 Entfernen von Interpunktionszeichen
5. 6.4 Tokenisierung von Text
6. 6.5 Entfernen von Wörtern mit geringer Bedeutung
7. 6.6 Stemming von Wörtern
8. 6.7 Part-of-Speech-Tagging
9. 6.8 Erkennung von benannten Entitäten
10. 6.9 Kodierung von Text mit dem Bag-of-Words-Modell
11. 6.10 Bestimmung der Wortgewichtung
12. 6.11. Verwendung von Textvektoren zur Berechnung der Textähnlichkeit in einer Suchanfrage
13. 6.12. Verwendung eines Stimmungsanalyse-Klassifikators

7 Umgang mit Datum und Uhrzeit

1. 7.0 Einführung
2. 7.1 Konvertieren eines Textstrings in ein Datum
3. 7.2 Umgang mit Zeitzonen
4. 7.3 Abrufen von Datum und Uhrzeit
5. 7.4 Aufteilung von Datumsdaten in mehrere Merkmale
6. 7.5 Berechnen der Differenz zwischen Datumsangaben
7. 7.6 Kodierung von Wochentagen
8. 7.7 Erstellen eines zeitverzögerten Merkmals
9. 7.8 Verwendung von verstrichenen Zeitfenstern
10. 7.9 Umgang mit fehlenden Daten in einer Datenreihe, die Datums- und Zeitwerte enthält

8 Handhabung von Bildern

1. 8.0 Einführung
2. 8.1 Laden eines Bildes
3. 8.2 Speichern eines Bildes
4. 8.3 Ändern der Bildgröße
5. 8.4 Beschneiden des Bildes
6. 8.5 Unschärfe des Bildes
7. 8.6 Schärfen des Bildes
8. 8.7 Erhöhen des Kontrasts
9. 8.8 Farben isolieren
10. 8.9. Schwellenwertbildung des Bildes
11. 8.10. Entfernen des Bildhintergrunds
12. 8.11. Randerkennung
13. 8.12. Erkennen von Ecken in einem Bild
14. 8.13. Erstellen von Merkmalen beim maschinellen Lernen
15. 8.14. Verwendung eines Farbhistogramms als Merkmal
16. 8.15. Trainierte Einbettungen als Merkmale verwenden
17. 8.16. Objekterkennung mit OpenCV
18. 8.17. Klassifizierung von Bildern mit PyTorch

9 Verringerung der Dimensionalität durch Merkmalsextraktion

1. 9.0 Einführung
2. 9.1 Merkmalsreduktion mit Hilfe von Hauptkomponenten
3. 9.2 Reduktion von Merkmalen bei linear unzerlegbaren Daten
4. 9.3 Merkmalsreduktion durch Maximierung der Klassentrennbarkeit
5. 9.4 Merkmalsreduktion durch Matrixzersetzung
6. 9.5 Reduktion von Merkmalen in spärlichen Daten

Dimensionalitätsreduktion durch Merkmalsauswahl

1. 10.0 Einführung
2. 10.1 Schwellenwertbildung für die Varianz eines numerischen Merkmals
3. 10.2 Schwellenwertbildung für die Varianz eines binären Merkmals
4. 10.3 Umgang mit hochkorrelierten Merkmalen
5. 10.4 Beseitigung irrelevanter Merkmale für die Klassifikation
6. 10.5 Rekursive Eliminierung von Merkmalen

11. Modellbewertung

1. 11.0 Einführung
2. 11.1 Kreuzvalidierungsmodelle
3. 11.2 Erstellung eines Basis-Regressionsmodells
4. 11.3 Erstellung des Basisklassifikationsmodells
5. 11.4 Auswertung der Vorhersagen eines binären Klassifikators
6. 11.5 Auswertung des Schwellenwerts eines binären Klassifikators
7. 11.6 Auswertung der Vorhersagen von Mehrklassen-Klassifikatoren
8. 11.7 Visualisierung der Klassifikatorleistung
9. 11.8 Bewertung des Regressionsmodells
10. 11.9 Bewertung des Clustermodells
11. 11.10 Festlegung von Nicht-Standardkoeffizienten für die Modellbewertung
12. 11.11. Visualisierung der Auswirkung der Lernmengengröße
13. 11.12. Erstellen eines Textberichts über den Bewertungsfaktor
14. 11.13. Visualisierung der Auswirkung einer Änderung des Wertes von Hyperparametern

12. Modellauswahl

1. 12.0 Einführung
2. 12.1 Auswahl der besten Modelle mittels erschöpfender Suche
3. 12.2 Auswahl der besten Modelle durch zufällige Suche
4. 12.3 Auswahl der besten Modelle aus mehreren Algorithmen für maschinelles Lernen
5. 12.4 Auswahl der besten Modelle in der Phase der Datenaufbereitung
6. 12.5 Beschleunigung der Modellauswahl durch Parallelität
7. 12.6 Beschleunigung der Modellauswahl durch algorithmusspezifische Methoden
8. 12.7 Leistungsbewertung nach der Modellauswahl

13. Lineare Regression

1. 13.0 Einführung
2. 13.1 Bestimmung von Linien
3. 13.2 Umgang mit dem Effekt der Interaktion
4. 13.3 Bestimmung der nichtlinearen Abhängigkeit
5. 13.4 Verringerung der Varianz durch Regularisierung
6. 13.5 Merkmalsreduktion durch LASSO-Regression

14 Bäume und Wälder

1. 14.0 Einführung
2. 14.1 Training eines Entscheidungsbaum-Klassifikators
3. 14.2 Training des Entscheidungsbaum-Regressors
4. 14.3 Visualisierung des Entscheidungsbaummodells
5. 14.4 Training des Random-Forest-Klassifikators
6. 14.5 Training des Random-Forest-Regressors
7. 14.6 Evaluierung des Random Forests mit Hilfe eines Out-of-Bag-Fehlerschätzers
8. 14.7 Identifizierung von wichtigen Merkmalen im Random Forest
9. 14.8 Auswahl von wichtigen Merkmalen in einem Random Forest
10. 14.9 Umgang mit unausgewogenen Klassen
11. 14.10 Kontrolle der Baumgröße
12. 14.11. Verbesserung der Leistung durch Verstärkung
13. 14.12. Training des XGBoost-Modells
14. 14.13. Verbesserung der Echtzeitleistung mit LightGBM

15. k-Nächste-Nachbarn-Algorithmus

1. 15.0 Einführung
2. 15.1 Suche nach den nächsten Nachbarn von Beobachtungen
3. 15.2 Erstellen des Klassifikators mit k nächsten Nachbarn
4. 15.3 Bestimmen der besten Nachbarschaftsgröße
5. 15.4 Erstellen eines Klassifikators für die nächsten Nachbarn auf der Grundlage des Radius
6. 15.5 Finden der ungefähren nächsten Nachbarn
7. 15.6 Auswertung der ungefähren nächstgelegenen Nachbarn

16 Logistische Regression

1. 16.0 Einführung
2. 16.1 Training eines binären Klassifikators
3. 16.2 Training eines Multiklassen-Klassifikators
4. 16.3 Verringerung der Varianz durch Regularisierung
5. 16.4 Training eines Klassifikators auf sehr großen Datenmengen
6. 16.5 Umgang mit unausgewogenen Klassen

17 Support-Vektor-Maschine

1. 17.0 Einführung
2. 17.1 Training eines linearen Klassifikators
3. 17.2 Behandlung linear untrennbarer Klassen mit Hilfe von Kernel-Funktionen
4. 17.3 Bestimmung der vorhergesagten Wahrscheinlichkeiten
5. 17.4 Identifizierung von Support-Vektoren
6. 17.5 Umgang mit unbalancierten Klassen

18 Naiver Bayes'scher Klassifikator

1. 18.0 Einführung
2. 18.1 Training eines Klassifikators für kontinuierliche Merkmale
3. 18.2 Trainieren eines Klassifikators für diskrete oder abzählbare Merkmale
4. 18.3 Trainieren eines naiven Bayes'schen Klassifikators für binäre Merkmale
5. 18.4 Kalibrierung der Vorhersagewahrscheinlichkeit

19 Clustering

1. 19.0 Einführung
2. 19.1 Clustering mit k-Durchschnitten
3. 19.2 Beschleunigtes Clustering mit k-Durchschnitten
4. 19.3 Clustering mit dem Mean-Shift-Algorithmus
5. 19.4 Clustering mit dem DBSCAN-Algorithmus
6. 19.5 Clustering mittels hierarchischer Verknüpfung

20. Tensoren in PyTorch

1. 20.0 Einführung
2. 20.1 Erstellen eines Tensors
3. 20.2 Erstellen eines Tensors aus NumPy heraus
4. 20.3 Erstellung eines spärlichen Tensors
5. 20.4 Auswählen von Tensorelementen
6. 20.5 Beschreiben des Tensors
7. 20.6. Operationen auf Tensorelementen durchführen
8. 20.7 Einen Minimal- und Maximalwert finden
9. 20.8 Ändern der Form eines Tensors
10. 20.9 Transponieren eines Tensors
11. 20.10 Abflachen eines Tensors
12. 20.11. Berechnung des Skalarprodukts
13. 20.12. Multiplikation von Tensoren

21 Neuronale Netze

1. 21.0 Einführung
2. 21.1 Verwendung der Autograd-Engine des PyTorch-Frameworks
3. 21.2 Aufbereitung von Daten für ein neuronales Netz
4. 21.3 Entwurf des neuronalen Netzes
5. 21.4 Trainieren eines binären Klassifizierers
6. 21.5 Trainieren eines Multiklassen-Klassifikators
7. 21.6 Trainieren eines Regressors
8. 21.7 Generierung von Vorhersagen
9. 21.8 Visualisierung des Trainingsverlaufs
10. 21.9 Verringerung der Überanpassung durch Gewichtsregulierung
11. 21.10 Verringerung der Überanpassung durch frühzeitige Beendigung der Lerntechnik
12. 21.11. Verringerung der Überanpassung mit Hilfe der Abbruchtechnik
13. 21.12. Aufzeichnung des Lernfortschritts des Modells
14. 21.13 Abstimmung des neuronalen Netzes
15. 21.14. Visualisierung des neuronalen Netzes

22 Neuronale Netze für unstrukturierte Daten

1. 22.0 Einführung
2. 22.1 Training eines neuronalen Netzes zur Bildklassifizierung
3. Training eines neuronalen Netzes für die Textklassifizierung
4. Abstimmung des trainierten Modells für die Bildklassifizierung
5. Abstimmen des trainierten Modells für die Textklassifizierung

23 Speichern, Laden und gemeinsame Nutzung trainierter Modelle

2. 23.0 Einführung
3. 23.1 Speichern und Laden eines scikit-learn Bibliotheksmodells
4. 23.2 Speichern und Laden des TensorFlow Bibliotheksmodells
5. 23.3 Speichern und Laden des PyTorch-Modells
6. 23.4 Gemeinsame Nutzung von scikit-learn Modellen
7. 23.5 TensorFlow-Modelle gemeinsam nutzen
8. 23.6 Gemeinsame Nutzung von PyTorch-Modellen mit Seldon