Uczenie maszynowe w aplikacjach Projektowanie budowa i wdrazanie.pdf

(2130 KB) Pobierz
Tytuł oryginału: Building Machine Learning Powered Applications: Going from Idea to Product
Tłumaczenie: Andrzej Watrak
ISBN: 978-83-283-7186-6
© 2021 Helion SA
Authorized Polish translation of the English edition of Building Machine Learning Powered Applications
ISBN 9781492045113 © 2020 Emmanuel Ameisen.
This translation is published and sold by permission of O’Reilly Media, Inc., which owns or controls all
rights to publish and sell the same.
Wszelkie prawa zastrzeżone. Nieautoryzowane rozpowszechnianie całości lub fragmentu niniejszej
publikacji w jakiejkolwiek postaci jest zabronione. Wykonywanie kopii metodą kserograficzną,
fotograficzną, a także kopiowanie książki na nośniku filmowym, magnetycznym lub innym powoduje
naruszenie praw autorskich niniejszej publikacji.
Wszystkie znaki występujące w tekście są zastrzeżonymi znakami firmowymi bądź towarowymi ich
właścicieli.
Autor oraz Helion SA dołożyli wszelkich starań, by zawarte w tej książce informacje były kompletne
i rzetelne. Nie biorą jednak żadnej odpowiedzialności ani za ich wykorzystanie, ani za związane z tym
ewentualne naruszenie praw patentowych lub autorskich. Autor oraz Helion SA nie ponoszą również
żadnej odpowiedzialności za ewentualne szkody wynikłe z wykorzystania informacji zawartych w książce.
Helion SA
ul. Kościuszki 1c, 44-100 Gliwice
tel. 32 231 22 19, 32 230 98 63
e-mail:
helion@helion.pl
WWW:
http://helion.pl
(księgarnia internetowa, katalog książek)
Drogi Czytelniku!
Jeżeli chcesz ocenić tę książkę, zajrzyj pod adres
http://helion.pl/user/opinie/umasap
Możesz tam wpisać swoje uwagi, spostrzeżenia, recenzję.
Printed in Poland.
•
Kup książkę
•
Poleć książkę
•
Oceń książkę
•
Księgarnia internetowa
•
Lubię to! » Nasza społeczność
Spis treści
Przedmowa ........................................................................................................................... 9
Część I . Określenie właściwego podejścia ML
1. Od pomysłu do podejścia ML ...................................................................................... 19
Określenie, co jest możliwe
Modele
Dane
Zarys edytora ML
Spróbujmy wszystko zrobić za pomocą ML
Najprostsze podejście: wykonanie algorytmu
Etap pośredni: uczenie się na podstawie doświadczenia
Jak wybierać projekty ML i określać ich priorytety — Monica Rogati
Podsumowanie
20
21
27
30
30
32
33
34
36
2. Opracowanie planu ................................................................................................... 37
Mierzenie postępów
Wydajność biznesowa
Wydajność modelu
Aktualność i przesunięcie rozkładu danych
Szybkość
Szacowanie zakresu i wyzwań
Wykorzystanie doświadczenia w danej dziedzinie
Podążanie za wielkimi
Planowanie edytora ML
Początkowy plan edytora
Zawsze należy zaczynać od prostego modelu
37
38
39
41
43
44
44
45
48
48
49
3
Kup książkę
Poleć książkę
Sposób na systematyczne postępy — prosty początek
Prosty początkowy proces
Proces dla edytora ML
Podsumowanie
50
50
51
53
Część II. Budowanie procesu
3. Zbudowanie pierwszego całościowego procesu .......................................................... 57
Najprostsza architektura
Prototyp edytora ML
Analizowanie i oczyszczanie danych
Tokenizacja testu
Generowanie cech
Testowanie procesu
Wrażenia użytkowników
Modelowanie wyników
Ocena prototypu edytora ML
Model
Wrażenia użytkowników
Podsumowanie
57
58
59
60
60
62
62
62
63
64
65
65
4. Pozyskiwanie początkowego zbioru danych ............................................................... 67
Iterowanie zbioru danych
Badanie danych
Badanie pierwszego zbioru danych
Bądź skuteczny, zacznij od czegoś małego
Informacje i produkty
Ocena jakości danych
Etykiety i wyszukiwanie trendów
Statystyki podsumowujące
Efektywne badanie i znakowanie danych
Wykonanie algorytmu
Trendy danych
Niech dane informują o cechach i modelach
Budowanie cech na podstawie wzorców
Cechy edytora ML
Jak wyszukiwać, znakować i wykorzystywać dane — Robert Munro
Podsumowanie
67
68
68
69
69
70
75
76
78
92
93
94
94
97
97
99
4
Spis treści
Poleć książkę
Kup książkę
Część III. Iterowanie modeli
5. Trening i ocena modelu ............................................................................................103
Najprostszy, odpowiedni model
Proste modele
Od wzorców do modeli
Podział zbioru danych
Podział danych dla edytora ML
Ocena wydajności
Ocena modelu: nie tylko dokładność
Porównywanie danych i prognoz
Tablica pomyłek
Krzywa ROC
Krzywa kalibracyjna
Redukcja wymiarowości w analizie błędów
Metoda top-k
Inne modele
Ocena ważności cech
Ocena bezpośrednio z klasyfikatora
Analiza czarnej skrzynki
Podsumowanie
103
103
105
107
112
113
116
116
117
117
119
121
121
125
125
126
127
129
6. Diagnozowane problemów ......................................................................................131
Dobre praktyki programowania
Dobre praktyki w ML
Diagnozowanie połączeń: wizualizacja i testy
Na początek jeden przykład
Testowanie kodu ML
Diagnozowanie treningu
Trudność zadania
Problemy optymalizacyjne
Diagnozowanie uogólnienia modelu
Wyciek danych
Nadmierne dopasowanie
Analiza zadania
Podsumowanie
131
132
133
133
139
143
144
146
147
148
148
151
152
7. Przygotowywanie zaleceń przy użyciu klasyfikatora ..................................................153
Wyodrębnianie zaleceń z modeli
Co można osiągnąć bez modelu?
Wyodrębnianie globalnych ważności cech
Spis treści
Kup książkę
154
154
155
5
Poleć książkę

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika:

Zgłoś jeśli naruszono regulamin