UCZENIE MASZYNOWE Z JĘZYKIEM JAVASCRIPT

53.10

Na stanie

Spis treści

O autorze 7

O recenzencie 8

Wstęp 9

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
  • Podsumowanie 38

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
  • Podsumowanie 68

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
  • Podsumowanie 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
  • Podsumowanie 122

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
  • Podsumowanie 168

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
  • Podsumowanie 182

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
  • Podsumowanie 206

Rozdział 8. Algorytmy sztucznych sieci neuronowych 209

  • Opis koncepcji sieci neuronowych 210
  • Uczenie metodą propagacji wstecznej 214
  • Przykład – XOR z użyciem TensorFlow.js 217
  • Podsumowanie 224

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
  • Podsumowanie 252

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
  • Podsumowanie 279

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
  • Podsumowanie 300

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
  • Podsumowanie 318

Skorowidz 321

Autor

ISBN

978-83-283-5196-7

Liczba stron

Rok wydania

Wydawca

Opinie

Na razie nie ma opinii o produkcie.

Napisz pierwszą opinię o „UCZENIE MASZYNOWE Z JĘZYKIEM JAVASCRIPT”

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *