Biblioteka Publiczna

Nowe usługi 2.0 : przewodnik po analizie zbiorów danych

Tyt. oryg.: "Programming collective intelligence : building smart web 2.0 applications".

Autor: Segaran, Toby.

Internet to nic innego jak gigantyczny zbiór danych. Każdy, kto znajdzie sposób na ich umiejętne wykorzystanie, ma szansę zbudować aplikację, która odniesie światowy sukces. Serwisy randkowe, portale społecznościowe, porównywarki cen - to tylko drobna część serwisów, które możesz wykorzystać przy tworzeniu nowej usługi. Jak analizować dane i wyciągnąć wnioski? Na wiele podobnych pytań odpowiada

ta jedyna w swoim rodzaju książka.
W trakcie lektury poznasz najlepsze sposoby filtrowania danych, tworzenia rekomendacji, wykrywania grup oraz wyszukiwania i klasyfikowania. Na kolejnych stronach znajdziesz bogaty zbiór informacji poświęconych algorytmom analizującym dane. Ponadto będziesz mieć możliwość zapoznania się z różnymi sposobami optymalizacji, modelowania przy użyciu drzew decyzyjnych oraz tworzenia modeli cenowych. Książka ta w rękach wprawnego programisty może stanowić niesamowite narzędzie. Otwiera wrota do świata pełnego danych i zależności pomiędzy nimi!

Zobacz pełny opis

---

1. 1. Inteligencja zbiorowa - wprowadzenie
2. Czym jest inteligencja zbiorowa?
3. Czym jest uczenie maszynowe?
4. Ograniczenia uczenia maszynowego
5. Rzeczywiste przykłady
6. Inne zastosowania algorytmów uczących
7. 2. Tworzenie rekomendacji
8. Filtrowanie grupowe
9. Gromadzenie preferencji
10. Znajdowanie podobnych użytkowników
11. Rekomendowanie pozycji
12. Dopasowywanie produktów
13. Tworzenie systemu rekomendowania odnośników del.icio.us
14. Filtrowanie oparte na pozycjach
15. Zastosowanie zbioru danych MovieLens
16. Filtrowanie oparte na użytkownikach czy pozycjach?
17. Ćwiczenia
18. 3. Wykrywanie grup
19. Porównanie uczenia nadzorowanego z nienadzorowanym
20. Wektory wyrazów
21. Grupowanie hierarchiczne
22. Rysowanie dendrogramu
23. Grupowanie kolumn
24. Grupowanie k-średnich
25. Klastry preferencji
26. Wyświetlanie danych w dwóch wymiarach
27. Inne rzeczy, które mogą być grupowane
28. Ćwiczenia
29. 4. Wyszukiwanie i klasyfikowanie
30. Co znajduje się w wyszukiwarce?
31. Prosty przeszukiwacz
32. Budowanie indeksu
33. Odpytywanie
34. Klasyfikacja oparta na treści
35. Użycie odnośników zewnętrznych
36. Uczenie na podstawie kliknięć
37. Ćwiczenia
38. 5. Optymalizacja
39. Podróż grupy osób
40. Reprezentowanie rozwiązań
41. Funkcja kosztu
42. Wyszukiwanie losowe
43. Metoda największego wzrostu
44. Symulowane wyżarzanie
45. Algorytmy genetyczne
46. Wyszukiwania rzeczywistych lotów
47. Optymalizowanie pod kątem preferencji
48. Wizualizacja sieci
49. Inne możliwości
50. Ćwiczenia
51. 6. Filtrowanie dokumentów
52. Filtrowanie spamu
53. Dokumenty i wyrazy
54. Trenowanie klasyfikatora
55. Obliczanie prawdopodobieństw
56. Naiwny klasyfikator
57. Metoda Fishera
58. Utrwalanie klasyfikatorów po przeprowadzonym treningu
59. Filtrowanie kanałów informacyjnych blogów
60. Poprawianie wykrywania właściwości
61. Użycie interfejsu Akismet
62. Alternatywne metody
63. Ćwiczenia
64. 7. Modelowanie przy użyciu drzew decyzyjnych
65. Przewidywanie rejestracji
66. Wprowadzenie do drzew decyzyjnych
67. Uczenie drzewa
68. Wybór najlepszego podziału
69. Budowanie drzewa rekurencyjnego
70. Wyświetlanie drzewa
71. Klasyfikowanie nowych obserwacji
72. Przycinanie drzewa
73. Radzenie sobie z brakującymi danymi
74. Radzenie sobie z wynikami liczbowymi
75. Modelowanie cen domów
76. Modelowanie "atrakcyjności"
77. Kiedy stosować drzewa decyzyjne?
78. Ćwiczenia
79. 8. Budowanie modelu cen
80. Budowanie przykładowego zbioru danych
81. Metoda k-najbliższych sąsiadów
82. Sąsiednie elementy z określoną wagą
83. Walidacja krzyżowa
84. Zmienne heterogeniczne
85. Optymalizowanie skali
86. Rozkłady niejednolite
87. Użycie rzeczywistych danych - interfejs API serwisu eBay
88. Kiedy używać metody k-najbliższych sąsiadów?
89. Ćwiczenia
90. 9. Zaawansowane klasyfikowanie: metody jądrowe i maszyny wektorów nośnych
91. Zbiór danych swatki
92. Trudności związane z danymi
93. Podstawowa klasyfikacja liniowa
94. Właściwości skategoryzowane
95. Skalowanie danych
96. Metody jądrowe
97. Maszyny wektorów nośnych
98. Zastosowanie biblioteki LIBSVM
99. Dopasowywanie w serwisie Facebook
100. Ćwiczenia
101. 10. Znajdowanie niezależnych właściwości
102. Zbiór artykułów
103. Wcześniejsze rozwiązania
104. Nieujemna faktoryzacja macierzy
105. Wyświetlanie wyników
106. Użycie danych rynku giełdowego
107. Ćwiczenia
108. 11. Inteligencja rozwojowa
109. Czym jest programowanie genetyczne?
110. Programy w postaci drzew
111. Tworzenie populacji początkowej
112. Testowanie rozwiązania
113. Krzyżowanie
114. Budowanie środowiska
115. Prosta gra
116. Dalsze możliwości
117. Ćwiczenia
118. 12. Algorytmy - podsumowanie
119. Klasyfikator bayesowski
120. Klasyfikator drzew decyzyjnych
121. Sieci neuronowe
122. Maszyny wektorów nośnych
123. Metoda k-najbliższych sąsiadów
124. Grupowanie
125. Skalowanie wielowymiarowe
126. Nieujemna faktoryzacja macierzy
127. Optymalizacja
128. A. Zewnętrzne biblioteki
129. Universal Feed Parser
130. Python Imaging Library
131. Beautiful Soup
132. pysqlite
133. NumPy
134. matplotlib
135. pydelicious
136. B. Formuły matematyczne
137. Odległość euklidesowa
138. Współczynnik korelacji Pearsona
139. Średnia ważona
140. Współczynnik Tanimoto
141. Prawdopodobieństwo warunkowe
142. Niejednorodność Giniego
143. Entropia
144. Wariancja
145. Funkcja Gaussa
146. Iloczyny skalarne

Zobacz spis treści

Dodaj komentarz do pozycji:

Swoją opinię można wyrazić po uprzednim zalogowaniu.