Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных
Покупка
Тематика:
Базы и банки данных. СУБД
Издательство:
ДМК Пресс
Автор:
Флах Петер
Год издания: 2023
Кол-во страниц: 401
Дополнительно
Вид издания:
Учебник
Уровень образования:
ВО - Бакалавриат
ISBN: 978-5-89818-300-4
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.
- Полная коллекция по информатике и вычислительной технике
- ДМК Пресс. Информационные системы и технологии
- ДМК Пресс. ИТ-технологии для обучающихся
- Интермедиатор. Информационные системы и технологии (сводная)
- Интермедиатор. ИТ-технологии для обучающихся (сводная)
- Искусственный интеллект и машинное обучение
- Модуль "Системы искусственного интеллекта"
- Программирование и алгоритмизация
Тематика:
ББК:
УДК:
- 004: Информационные технологии. Вычислительная техника...
- 007: Деятельность и организация. Общая теория информации связи и управления (кибернетика)
ОКСО:
- ВО - Бакалавриат
- 09.03.01: Информатика и вычислительная техника
- 09.03.02: Информационные системы и технологии
- 09.03.03: Прикладная информатика
- 09.03.04: Программная инженерия
ГРНТИ:
Скопировать запись
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