ДМК-Пресс Предварительная подготовка данных в Python. Том 2. План, примеры и метрики качества Груздев Артем Владимирович

В двухтомнике представлены материалы по применению классических методов машинного обучения для различных промышленных задач • Прочитав первый том, вы научитесь • - работать в IPython и Jupyter Notebook • - применять функции библиотеки NumPy • - визуализировать результаты анализа с помощью библиотек matplotlib, seaborn и plotly • - выполнять предварительную подготовку данных в библиотеке pandas • - работать с классами scikit-learn, строящими модели предварительной подготовки данных и модели машинного обучения • - применять различные стратегии валидации данных

Если вы интересуетесь машинным обучением (Machine Learning) и глубоким обучением (Deep Learning), то этот двухтомник для вас • Эта книга не похожа на большинство других учебников и руководств по глубокому обучению – в ней нет ни детального алгоритмического анализа, сопровождаемого обширной математикой, ни развернутых листингов программного кода. Автор выбрал золотую середину - благодаря дружелюбному подходу, сопровождаемому огромным количеством цветных иллюстраций, а также детальному и скрупулезному описанию, он глубоко освещает основополагающие идеи глубокого обучения и нейронных сетей • Второй том посвящен нейронным сетях – быстро развивающемуся направлению машинного обучения. В первом томе, вышедшем в издательстве «ДМК Пресс» ранее, изложены фундаментальные основы глубокого обучения

Начните работу с Apache Flink, фреймворком с открытым исходным кодом, на котором основаны многие крупнейшие в мире системы для обработки потоковых данных. В данной книге вы изучите фундаментальные понятия параллельной потоковой обработки и узнаете, чем эта технология отличается от традиционной пакетной обработки данных • Ф. Уэске и В. Калаври, занятые в проекте Apache Flink с первых дней, покажут вам, как создавать масштабируемые потоковые приложения с помощью API Flink DataStream, а также непрерывно выполнять и поддерживать эти приложения в операционных средах • Потоковая обработка идеально подходит для многих задач: подготовка данных с малой задержкой, потоковая аналитика и информационные панели в реальном времени, раннее оповещение и обнаружение мошенничества

В книге описаны современные передовые практики и методы, позволяющие создавать ясный и удобный для сопровождения код • Объясняются языковые средства Python, обычно мало рассматриваемые в других изданиях: от повторно используемых консольных скриптов, одновременно играющих роль микросервисов благодаря точкам входа, до эффективного использования модуля asyncio для объединения данных из различных источников • Попутно излагается проверка соблюдения стандартов кодирования с помощью аннотаций типов, тестирование с низкими накладными расходами и другие автоматизированные проверки качества кода, применяемые на практике для организации процесса разработки надежного ПО • Некоторые мощные возможности Python зачастую иллюстрируются на искусственных примерах, когда то или иное средство описывается в изоляции от всего остального

Эта книга с помощью постулатов квантовой механики объясняет сложные связи квантовой химии и квантовых вычислений. Для этого используются код на языке Python и программные пакеты по химии с открытым исходным кодом, такие как Qiskit. На примерах расчетов реальных атомов и молекул показано, как квантовая химия и квантовые вычисления помогают решать задачи химической науки и промышленности • Вы научитесь • пониманию математического описания атомов и молекул как основных строительных блоков материи • расчету схемы квантового затвора • выполнению современных химических расчетов и моделированию • запуску блокнотов Jupyter Notebooks в облаке с помощью веб-браузера • пониманию стандартных приближений химического моделирования • Издание предназначено читателям, интересующимся химией и информатикой, а также будет полезно профессионалам, стремящимся к углублению знаний в области квантовой вычислительной химии

Эта книга, посвященная методике вероятностного программирования, научит вас создавать гибкие байесовские статистические модели в программном коде • Сочетание гибкого определения модели и механизма автоматического логического вывода предоставляет исследователю мощный инструмент для быстрого создания, анализа и постепенного усовершенствования новых статистических моделей. Вероятностное программирование делает статистическое моделирование доступным практически для всех, значительно снижая требования к уровню математической подготовки, позволяя создавать новые модели более простым методом и тратить на это меньше времени • Издание будет полезно всем специалистам по анализу данных, решающим нетривиальные задачи, связанные с вероятностными распределениями

Изучение начинается с общих концепций программирования, таких как циклы и функции в ядре Python 3, затем рассматриваются библиотеки NumPy, SciPy и Matplotlib для вычислительного программирования и визуализации данных

Задействуйте всю мощь поведенческих данных в своей компании, используя инструменты, специально разработанные для их анализа. Общепринятые алгоритмы науки о данных и инструменты предсказательной аналитики трактуют данные о поведении клиентов, такие как клики на веб-сайте или покупки в супермаркете, аналогично любым другим данным. Однако в этой книге представлены мощные методы, специально приспособленные для анализа поведенческих данных • Усовершенствованный экспериментальный дизайн позволяет вам получать максимальную отдачу от ваших A/B-тестов, тогда как причинно-следственные диаграммы позволяют выявлять причины поведений, даже если вы не можете проводить эксперименты • Книга написана в доступном стиле для исследователей данных, бизнес-аналитиков и бихевиористов

В этой книге Ричард Берд представляет принципиально новый подход к проектированию алгоритмов, а именно проектирование посредством формального вывода. Основное содержание книги разделено на 30 коротких глав, называемых жемчужинами, в каждой из которых решается конкретная программистская задача. Эти задачи, некоторые из них абсолютно новые, происходят из таких разнообразных источников, как игры и головоломки, захватывающие комбинаторные построения и более традиционные алгоритмы сжатия данных и сопоставления строк • Каждая жемчужина начинается с постановки задачи, формулируемой на функциональном языке программирования Haskell, чрезвычайно мощном и в то же время лаконичном, позволяющем легко и просто выражать алгоритмические идеи. Новшество книги состоит в том, что каждое решение формально вычисляется из исходной постановки задачи посредством обращения к законам функционального программирования

В книге описаны большинство из современных баз данных с открытым исходным кодом: Redis, Neo4J, CouchDB, MongoDB, HBase, PostgreSQL и Riak. Для каждой базы приведены примеры работы с реальными данными, демонстрирующие основные идеи и сильные стороны • Эта книга прольет свет на сильные и слабые стороны каждой из семи баз данных и научит вас выбирать ту, которая лучше отвечает требованиям • Издание предназначено для программистов разной квалификации, использующих базы данных в своей профессиональной деятельности

Генетические алгоритмы — это семейство алгоритмов поиска, оптимизации и обучения, черпающее идеи из естественной эволюции. Благодаря имитации эволюционных процессов генетические алгоритмы способы преодолевать трудности, присущие традиционным алгоритмам поиска, и находить высококачественные решения в самых разных задачах. Эта книга поможет освоить мощный, но в то же время простой подход к применению генетических алгоритмов, написанных на языке Python, и познакомиться с последними достижениями в области искусственного интеллекта • После обзора генетических алгоритмов и описания принципов автор рассказывает об их отличиях от традиционных алгоритмов и о типах задач, к которым они применимы, как то: планирование, составление расписаний, игры и анализ функций

В книге приводится всесторонний анализ идей и деталей реализации структур данных как важнейшей составляющей прикладных алгоритмов. Рассматриваются не только эффективные способы реализации операций над множествами чисел, интервалов или строк в виде различных поисковых структур данных – деревьев, множеств интервалов, кусочно-постоянных функций, прямоугольных областей, непересекающихся подмножеств, куч, хеш-таблиц, но и динамизация и персистентность (сохраняемость) структур • Это первая книга, рассматривающая структуры данных не просто как вспомогательный материал для иллюстрации методологии объектно-ориентированного программирования, а как ключевой вопрос разработки алгоритмов • Многочисленные примеры кода на языке C и более 500 ссылок на первоисточники делают эту книгу исключительно ценной