Spis treści:

1. Wstęp
2. O czym jest ta książka?
3. Data science
4. Uczenie maszynowe
5. Dla kogo jest ta książka?
6. Narzędzia
7. Usługa Azure ML
8. Język R
9. Microsoft R Open
10. Przykładowe dane
11. Konwencje i oznaczenia
12. 1. Uczenie maszynowe jako element eksperymentów data science
13. 1.1. Eksploracja danych jako technika wspomagania decyzji
14. 1.2. Modelowanie
15. 1.3. Wiedza i proces uczenia
16. 1.4. Hipotezy
17. 1.5. Założenia eksperymentu data science
18. 1.6. Dwa typy analiz
19. 1.7. Data science jako metoda naukowa
20. 1.8. Przykładowy eksperyment – optymalizacja kampanii marketingowej
21. 1.8.1. Zrozumienie problemu i określenie celów eksperymentu
22. 1.8.2. Zrozumienie danych
23. 1.8.3. Wstępne przetwarzanie danych
24. 1.8.4. Modelowanie
25. 1.8.5. Ocena
26. 1.8.6. Wdrożenie
27. Podsumowanie
28. * 2. Ocena przydatności danych
29. 2.1. Dane źródłowe
30. 2.2. Zmienne
31. 2.2.1. Rozkład częstości zmiennych
32. 2.2.2. Graficzna prezentacja danych
33. 2.2.3. Korelacje (związki między zmiennymi)
34. 2.3. Reprezentatywność danych
35. 2.4. Duplikaty
36. 2.5. Szeregi czasowe
37. Podsumowanie
38. * 3. Wstępne przetwarzanie danych
39. 3.1. Uzupełnianie brakujących danych
40. 3.2. Poprawianie błędnych danych
41. 3.3. Zmienne numeryczne
42. 3.3.1. Instalowanie dodatkowych bibliotek R w Azure ML
43. 3.3.2. Wartości nietypowe (odstające)
44. 3.3.3. Normalizacja
45. 3.3.4. Dyskretyzacja
46. 3.4. Zmienne kategoryczne
47. 3.4.1. Problem jakości danych tekstowych
48. 3.4.2. Uogólnienie (generalizacja)
49. 3.4.3. Numerowanie stanów
50. 3.4.4. Zmienne porządkowe
51. 3.5. Szeregi czasowe
52. 3.6. Wyrażenia języka naturalnego
53. 3.7. Redukcja wymiarów
54. 3.7.1. Usuwanie zmiennych na podstawie ich zdolności predykcyjnych
55. 3.7.2. Analiza głównych składowych (PCA)
56. Podsumowanie
57. * 4. Wzbogacanie danych
58. 4.1. Równoważenie danych
59. 4.1.1. Usunięcie części przykładów większościowych
60. 4.1.2. Nadpróbkowanie
61. 4.2. Zmienne wyliczeniowe
62. 4.3. Zastąpienie zmiennych wspólnym rozkładem prawdopodobieństwa
63. 4.4. Wydzielenie danych testowych
64. 4.4.1. Szeregi czasowe
65. 4.4.2. Modele rekomendujące
66. 4.4.3. Modele wykrywania oszustw
67. 4.5. Wzorzec eksperymentu data science
68. Podsumowanie
69. * 5. Klasyfikacja
70. 5.1. Klasyfikacja poprzez indukcję drzew decyzyjnych
71. 5.1.1. Drzewa decyzyjne – definicja
72. 5.1.2. Pojedyncze drzewa decyzyjne
73. 5.1.3. Kombinacje drzew decyzyjnych
74. XVSPIS TREŚCI5.2. Klasyfikacja z użyciem maszyny wektorów nośnych
75. 5.2.1. Przetwarzanie języka naturalnego przy użyciu maszyny wektorów nośnych
76. 5.2.2. Modele maszyny wektorów nośnych i lokalnie głębokiej maszyny wektorów nośnych
77. 5.3. Klasyfikacja probabilistyczna
78. 5.3.1. Sieć Bayesa
79. 5.3.2. Maszyna punktów Bayesa
80. 5.4. Inne klasyfikatory dostępne w Studiu Azure ML
81. 5.4.1. Inne klasyfikatory – omówienie
82. 5.4.2. Modele eksploracji danych w języku R
83. 5.5. Klasyfikatory binarne a klasyfikacja wieloklasowa
84. 5.6. Wykrywanie oszustw jako przykład klasyfikacji binarnej
85. 5.6.1. Oznaczenie obserwacji
86. 5.6.2. Zrównoważenie danych i wydzielenie danych testowych
87. 5.6.3. Wzbogacenie danych
88. Podsumowanie
89. 6. Regresja
90. 6.1. Model regresji wielorakiej
91. 6.1.1 Wieloraka regresja liniowa
92. 6.1.2. Estymacja bayesowska modelu regresji liniowej
93. 6.2. Zmienne kategoryczne w modelach regresji
94. 6.2.1. Regresja Poissona
95. 6.2.2. Regresja porządkowa
96. 6.3. Regresja kwantylowa
97. 6.4. Regresja poprzez indukcję drzew decyzyjnych
98. 6.5. Sztuczne sieci neuronowe
99. 6.5.1. Perceptron
100. 6.5.2. Sieci neuronowe a regresja
101. 6.5.3. Metody minimalizacji błędu
102. 6.5.4. Wsteczna propagacja błędów
103. 6.5.5. Regresja z użyciem sieci neuronowej
104. 6.5.6. Głębokie sieci neuronowe
105. Podsumowanie
106. * 7. Grupowanie (analiza skupień)
107. 7.1. Na czym polega grupowanie
108. 7.2. Algorytmy grupowania
109. 7.2.1. Grupowanie hierarchiczne
110. 7.2.2. Grupowanie iteracyjno-optymalizacyjne
111. 7.3. Grupowanie w celu znajdowania podobnych obiektów
112. 7.4. Grupowanie w celu kompresji
113. 7.5. Wykrywanie anomalii
114. Podsumowanie
115. * 8. Rekomendowanie
116. 8.1. Systemy rekomendujące
117. 8.2. Odkrywanie asocjacji
118. 8.3. Model Matchbox Recommender
119. 8.3.1. Rekomendowanie przez filtrowanie kolektywne
120. 8.3.2. Rekomendowanie przez filtrowanie cech przedmiotów i użytkowników (hybrydowe)
121. Podsumowanie
122. * 9. Prognozowanie
123. 9.1. Szeregi czasowe
124. 9.2. Naiwne metody prognozowania
125. 9.3. Modele średniej ważonej
126. 9.4. Modele ARIMA
127. 9.5. Modele nieliniowe
128. 9.6. Prognozowanie w Studiu Azure ML
129. Podsumowanie
130. * 10. Ocena i poprawa jakości modeli
131. 10.1. Reguła powrotu do średniej
132. 10.2. Kryteria oceny modeli eksploracji danych
133. 10.2.1. Łatwość interpretacji
134. 10.2.2. Trafność
135. 10.2.3. Wiarygodność
136. 10.2.4. Wydajność i skalowalność
137. 10.2.5. Przydatność
138. 10.3. Ocena jakości modeli klasyfikacyjnych
139. 10.3.1. ModułEvaluate Model
140. 10.3.2. Macierz pomyłek
141. 10.3.3. Krzywa ROC
142. 10.3.4. Wykres precyzja w funkcji czułości i wykres zysku
143. 10.3.5. Trafność klasyfikacji
144. 10.3.6. Klasyfikatory wieloklasowe
145. 10.4. Ocena jakości modeli regresyjnych
146. 10.4.1. Miary oceny modeli
147. 10.4.2. Walidacja krzyżowa
148. 10.5. Ocena jakości modeli grupujących
149. 10.6. Ocena jakości modeli rekomendujących
150. 10.7. Ocena jakości modeli prognozujących
151. 10.8. Porównanie jakości modeli
152. 10.9. Poprawa jakości modeli
153. 10.9.1. Automatyczna poprawa jakości modeli uczenia nadzorowanego
154. 10.9.2. Znalezienie optymalnej liczby klastrów
155. 10.10. Cykl życia eksperymentu data science
156. Podsumowanie
157. * 11. Publikacja modeli eksploracji danych jako usług WWW
158. 11.1. Wzorcowy eksperyment data science
159. 11.2. Predykcyjne usługi WWW
160. 11.2.1. Zapytania predykcyjne ad-hoc
161. 11.2.2. Wsadowe zapytania predykcyjne
162. Podsumowanie
163. Bibliografia
164. Dodatek A
165. Dodatek B *

Zobacz spis treści

---