Uczenie maszynowe
Matematyka dyskretna dla praktyków. Algorytmy i uczenie maszynowe w Pythonie
- Szczegóły
- Kategoria: Uczenie maszynowe
Mimo że osiągnięcia matematyczne stały się podwalinami algorytmiki, wielu inżynierów nie w pełni rozumie reguły matematyki dyskretnej. Nawet jeśli nie stanowi to szczególnego problemu w codziennej pracy, w końcu okazuje się, że matematyka dyskretna jest niezbędna do osiągnięcia prawdziwej biegłości w operowaniu algorytmami i w pracy na danych. Co więcej, znajomość tej dziedziny bardzo ułatwia rozwiązywanie problemów z zakresu uczenia maszynowego. W ten sposób praktyczna biegłość w matematyce zauważalnie poprawia wyniki pracy inżynierów.
Ta książka jest kompleksowym wprowadzeniem do matematyki dyskretnej, przydatnym dla każdego, kto chce pogłębić i ugruntować swoje umiejętności informatyczne. W zrozumiały sposób przedstawiono tu metody matematyki dyskretnej i ich zastosowanie w algorytmach i analizie danych, włączając w to techniki uczenia maszynowego. Zaprezentowano również zasady oceny złożoności obliczeniowej algorytmów i używania wyników tej oceny do zarządzania pracą procesora.
Omówiono także sposoby przechowywania struktur grafowych, ich przeszukiwania i znajdywania ścieżek między wierzchołkami. Pokazano też, jak wykorzystać przedstawione informacje podczas posługiwania się bibliotekami Pythona, takimi jak scikit-learn i NumPy.
W książce między innymi:
- terminologia i metody matematyki dyskretnej,,
- zastosowanie metod matematyki dyskretnej w algorytmach i analizie danych,
- algebra Boole'a i kombinatoryka w podstawowych strukturach algorytmów,
- rozwiązywanie problemów z dziedziny teorii grafów,
- zadania związane z uczeniem maszynowym a matematyka dyskretna.
Matematyka dyskretna - poznaj, zrozum, zastosuj!
Dr Ryan T. White jest naukowcem specjalizującym się w uczeniu maszynowym i teorii prawdopodobieństwa. Wykłada matematykę w Florida Institute of Technology. Zajmuje się analizą stochastyczną i jej algorytmami, kieruje też projektami z zakresu uczenia maszynowego.
Archana Tikayat Ray przygotowuje się do obrony doktoratu w Georgia Institute of Technology w Atlancie. Jej prace badawcze koncentrują się na uczeniu maszynowym i przetwarzaniu języka naturalnego (NLP).
- Spark. Rozproszone uczenie maszynowe na dużą skalę. Jak korzystać z MLlib, TensorFlow i PyTorch - [08 sierpień 2024]
- Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV - [05 czerwiec 2024]
- Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko - [28 maj 2024]
- Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - [24 kwiecień 2024]
- Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku - [13 luty 2024]