Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных

Покупка
Артикул: 652360.02.99
Доступ онлайн
1 039 ₽
В корзину
Перед вами один из самых интересных учебников по машинному обучению - разделу искусственного интеллекта, изучающего методы построения моделей, способных обучаться, и алгоритмов для их построения. Автор воздал должное невероятному богатству предмета и не упустил из вида объединяющих принципов. Читатель с первых страниц погружается в машинное обучение в действии, но без не нужных на первых порах технических деталей. По мере изучения предмета тщательно подобранные примеры, сопровождаемые иллюстрациями, постепенно усложняются. В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП. Особое внимание уделено важнейшей роли признаков. Устоявшаяся терминология дополняется введением в рассмотрение новых полезных концепций. В конце каждой главы приводятся ссылки на дополнительную литературу с авторскими комментариями. Книга ясно написана и хорошо организована. Начав с основ, автор умело ведет читателя, знакомя его с полезными фактами и подробно описывая ряд методов машинного обучения. Приводится также псевдокод ключевых алгоритмов. Благодаря всему этому книга задает новый стандарт изучения такой сложной дисциплины как машинное обучение.
Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных : учебник / П. Флах. - 2-е изд. - Москва.:ДМК Пресс, 2023. - 401 с. - ISBN 978-5-89818-300-4. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2085038 (дата обращения: 20.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
Машинное обучение
Наука и искусство построения алгоритмов, 
которые извлекают знания из данных
Петер Флах


Machine Learning
The Art and Science of Algorithms
that Make Sense of Data
Peter Flach


Москва, 2023
Машинное обучение
Наука и искусство построения алгоритмов, 
которые извлекают знания из данных
Петер Флах
2е издание, электронное


УДК 004.4
ББК 32.972
Ф70
Ф70
Флах, Петер.
Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают 
знания из данных / П. Флах ; пер. с англ. А. А. Слинкина. — 2-е изд., эл. — 1 файл pdf : 
401 с. — Москва : ДМК Пресс, 2023. — Систем. требования: Adobe Reader XI либо Adobe 
Digital Editions 4.5 ; экран 10". — Текст : электронный.
ISBN 978-5-89818-300-4
Перед вами один из самых интересных учебников по машинному обучению — разделу искусственного интеллекта, изучающего методы построения моделей, способных обучаться, и алгоритмов для их построения и обучения. Автор воздал должное невероятному богатству предмета и не 
упустил из виду объединяющих принципов. Читатель с первых страниц видит машинное обучение 
в действии, но без не нужных на первых порах технических деталей. По мере изучения предмета 
тщательно подобранные примеры, сопровождаемые иллюстрациями, постепенно усложняются. 
В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП. Особое внимание уделено важнейшей роли признаков. Устоявшаяся терминология 
дополняется введением в рассмотрение новых полезных концепций. В конце каждой главы приводятся ссылки на дополнительную литературу с авторскими комментариями.
Благодаря всему этому книга задает новый стандарт изучения такой сложной дисциплины как 
машинное обучение.
УДК 004.4 
ББК 32.972
Электронное издание на основе печатного издания: Машинное обучение. Наука и искусство построения 
алгоритмов, которые извлекают знания из данных / П. Флах ; пер. с англ. А. А. Слинкина. — Москва : ДМК 
Пресс, 2015. — 400 с. — ISBN 978-5-97060-273-7. — Текст : непосредственный.
Все права защищены. Любая часть этой книги не может быть воспроизведена в какой бы то ни было форме и какими бы 
то ни было средствами без  письменного разрешения владельцев авторских прав.
Материал, изложенный в данной книге, многократно проверен. Но поскольку вероятность технических ошибок все равно существует, издательство не может гарантировать абсолютную точность и правильность приводимых сведений. В связи с 
этим издательство не несет ответственности за возможные ошибки, связанные с использованием книги.
В соответствии со ст. 1299 и 1301 ГК РФ при устранении ограничений, установленных техническими средствами защиты авторских 
прав, правообладатель вправе требовать от нарушителя возмещения убытков или выплаты компенсации.
ISBN 978-5-89818-300-4
© Peter Flach 2012 
© Издание, перевод, ДМК Пресс, 2015


Посвящается Хэссел Флах 
(1923–2006)


Содержание
Предисловие ......................................................................... 11
Как читать эту книгу ...................................................................................................11
Благодарности ...............................................................................................................12
Пролог: пример машинного обучения ...................................... 14
1 Ингредиенты машинного обучения ..................................... 25
1.1  Задачи: проблемы, решаемые методами машинного обучения ...................25
В поисках структуры ..................................................................................................27
Оценка качества решения задачи ...........................................................................30
1.2 Модели: результат машинного обучения ............................................................32
Геометрические модели..............................................................................................33
Вероятностные модели ..............................................................................................37
Логические модели ......................................................................................................44
Группировка и ранжирование .................................................................................49
1.3 Признаки: рабочая лошадка машинного обучения ..........................................50
Два способа использования признаков ................................................................52
Отбор и преобразование признаков ......................................................................54
Взаимодействие между признаками .....................................................................56
1.4 Итоги и перспективы ..................................................................................................59
Что будет в книге дальше ..........................................................................................61
2 Бинарная классификация и родственные задачи ................. 62
2.1 Классификация ............................................................................................................65
Оценка качества классификации ...........................................................................66
Наглядное представление качества классификации .......................................70
2.2 Оценивание и ранжирование ..................................................................................75
Оценка и визуализация качества ранжирования .............................................78


Содержание
Преобразование ранжировщика в классификатор ..........................................84
2.3. Оценивание вероятностей классов .........................................................................87
Качество оценивания вероятностей классов......................................................88
Преобразование ранжировщиков в оценки вероятностей классов ............91
2.4 Бинарная классификация и родственные задачи: итоги 
и дополнительная литература .................................................................................93
3 За пределами бинарной классификации ............................. 96
3.1 Когда классов больше двух ......................................................................................96
Многоклассовая классификация ...........................................................................96
Многоклассовые оценки и вероятности ........................................................... 101
3.2 Регрессия ..................................................................................................................... 105
3.3 Обучение без учителя и дескриптивные модели ........................................... 108
Прогностическая и дескриптивная кластеризация ...................................... 109
Другие дескриптивные модели ............................................................................ 114
3.4 За пределами бинарной классификации: итоги и литература 
для дальнейшего чтения ......................................................................................... 116
4 Концептуальное обучение ................................................118
4.1 Пространство гипотез ............................................................................................. 119
Наименьшее обобщение ......................................................................................... 120
Внутренняя дизъюнкция........................................................................................ 122
4.2 Пути в пространстве гипотез ................................................................................ 124
Наиболее общие непротиворечивые гипотезы ............................................... 128
Замкнутые концепты ............................................................................................... 130
4.3 За пределами конъюнктивных концептов ....................................................... 130
Применение логики первого порядка ................................................................ 135
4.4 Обучаемость ............................................................................................................... 136
4.5 Концептуальное обучение: итоги и литература для дальнейшего 
чтения ............................................................................................................................ 139
5 Древовидные модели ........................................................142
5.1 Решающие деревья ................................................................................................... 146
5.2 Деревья ранжирования и оценивания вероятностей ................................... 151
Чувствительность к асимметричному распределению по классам ......... 156
5.3 Обучение деревьев как уменьшение дисперсии ............................................ 161
Деревья регрессии .................................................................................................... 161
Кластеризующие деревья ....................................................................................... 165


Содержание
5.4 Древовидные модели: итоги и литература для дальнейшего чтения ..... 168
6 Модели на основе правил ..................................................170
6.1 Обучение упорядоченных списков правил...................................................... 170
Списки правил для ранжирования и оценивания вероятностей ............. 176
6.2 Обучение неупорядоченных множеств правил .............................................. 179
Применение множеств правил для ранжирования и оценивания 
вероятностей ............................................................................................................... 183
Более пристальный взгляд на перекрытие правил ....................................... 187
6.3 Обучение дескриптивных моделей на основе правил ................................. 189
Обучение правил для выявления подгрупп .................................................... 190
Добыча ассоциативных правил ............................................................................ 194
6.4 Обучение правил первого порядка ..................................................................... 199
6.5 Модели на основе правил: итоги и литература для дальнейшего 
чтения ............................................................................................................................ 203
7 Линейные модели .............................................................206
7.1 Метод наименьших квадратов ............................................................................. 208
Многомерная линейная регрессия ..................................................................... 212
Регуляризованная регрессия ................................................................................ 216
Применение регрессии по методу наименьших квадратов к задаче 
классификации .......................................................................................................... 217
7.2 Перцептрон ................................................................................................................. 218
7.3 Метод опорных векторов ....................................................................................... 223
Метод опорных векторов с мягким зазором .................................................... 228
7.4 Получение вероятностей от линейных классификаторов .......................... 231
7.5 За пределами линейности – ядерные методы ................................................. 236
7.6 Линейные модели: итоги и литература для дальнейшего чтения ............ 239
8 Метрические модели ........................................................242
8.1 Так много дорог... ....................................................................................................... 242
8.2 Соседи и эталоны ...................................................................................................... 248
8.3 Классификация по ближайшему соседу ........................................................... 253
8.4 Метрическая кластеризация ................................................................................. 256
Алгоритм K средних ................................................................................................ 259
Кластеризация вокруг медоидов ......................................................................... 261
Силуэты ........................................................................................................................ 262
8.5 Иерархическая кластеризация ............................................................................. 264


Содержание
8.6 От ядер к расстояниям ............................................................................................ 269
8.7 Метрические модели: итоги и литература для дальнейшего чтения ...... 270
9 Вероятностные модели .....................................................273
9.1 Нормальное распределение и его геометрические интерпретации......... 277
9.2 Вероятностные модели для категориальных данных .................................. 284
Использование наивной байесовской модели для классификации........ 286
Обучение наивной байесовской модели ........................................................... 289
9.3 Дискриминантное обучение путем оптимизации условного 
правдоподобия ........................................................................................................... 293
9.4 Вероятностные модели со скрытыми переменными .................................... 297
EM-алгоритм .............................................................................................................. 299
Гауссовы смесовые модели .................................................................................... 300
9.5 Модели на основе сжатия ...................................................................................... 304
9.6 Вероятностные модели: итоги и литература для дальнейшего 
чтения ............................................................................................................................ 306
10 Признаки .........................................................................310
10.1 Виды признаков ........................................................................................................ 310
Вычисления с признаками ..................................................................................... 311
Категориальные, порядковые и количественные признаки ...................... 315
Структурированные признаки ............................................................................. 317
10.2 Преобразования признаков ................................................................................... 318
Задание порога и дискретизация......................................................................... 319
Нормировка и калибровка ..................................................................................... 325
Неполные признаки ................................................................................................. 333
10.3 Конструирование и отбор признаков ................................................................ 334
Преобразование и разложение матриц ............................................................. 336
10.4 Признак: итоги и литература для дальнейшего чтения .............................. 339
11 Ансамбли моделей ...........................................................342
11.1 Баггинг и случайные леса ...................................................................................... 343
11.2 Усиление....................................................................................................................... 345
Обучение усиленных правил ................................................................................ 349
11.3 Карта ансамблевого ландшафта .......................................................................... 350
Смещение, дисперсия и зазоры ............................................................................ 350
Другие ансамблевые методы ................................................................................. 352
Метаобучение ............................................................................................................. 352


Содержание
11.4 Ансамбли моделей: итоги и литература для дальнейшего чтения .......... 353
12 Эксперименты в машинном обучении ................................355
12.1 Что измерять .............................................................................................................. 356
12.2 Как измерять .............................................................................................................. 360
12.3 Как интерпретировать ............................................................................................. 362
Интерпретация результатов, полученных на нескольких наборах 
данных ........................................................................................................................... 365
12.4 Эксперименты в машинном обучении: итоги и литература 
для дальнейшего чтения ......................................................................................... 368
Эпилог: что дальше? .............................................................371
Что нужно запомнить ............................................................373
Библиография ......................................................................376
Предметный указатель ..........................................................387


Доступ онлайн
1 039 ₽
В корзину