ДМК-Пресс Вероятностное машинное обучение. Введение Мэрфи Кевин П

Машинное обучение - один из самых быстро развивающихся разделов информатики с приложениями в самых разных областях. Цель этой книги - познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, РАС-байесовский подход и границы сжатия

С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python • С этой книгой вы научитесь • применять большинство масштабируемых алгоритмов машинного обучения • работать с новейшими крупномасштабными методами машинного обучения • увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных • работать с вычислительной парадигмой Map-Reduce в платформе Spark • применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop • создавать мощные ансамбли в крупном масштабе • использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину

"Если вы собираетесь использовать машинное обучение для решения крупномасштабных практических задач, могу только порадоваться, что вы наткнулись на эту книгу. Читайте с удовольствием!" • Кэсси Козырков, главный специалист по теории принятия решений в Google • "Фундаментальная работа о практическом построении моделей машинного обучения и их развертывании в производственной среде. Подоспела как раз в тот момент, когда компании начали прозревать и осознавать, что для того, чтобы решение, основанное на машинном обучении, заработало, необходимы осознанные усилия инженеров и знакомство с передовыми практиками. Еще одна замечательная книга от Андрея!" • Каролис Урбонас, начальник отдела машинного обучения в Amazon • Новая книга Андрея Буркова, автора "Машинного обучения без лишних слов", мирового бестселлера, изданного на одиннадцати языках, - самая полная из существующих книг по прикладному ИИ

Эта книга научит вас, как создавать интеллектуальные системы от начала до конца и использовать машинное обучение на практике. Вы узнаете, как эффективно применять свои навыки разработки программного обеспечения, науки о данных, машинного обучения и управления проектами • Книга основана на более чем десятилетнем опыте создания интеллектуальных систем, которые обеспечивают сотни миллионов взаимодействий пользователей в день в некоторых из крупнейших и наиболее важных программных систем в мире • Издание будет полезно инженерам-программистам, специалистам по машинному обучению и руководителям проектов, которые хотят создавать и внедрять эффективные интеллектуальные системы

Вероятностное программирование - это новый способ создания вероятностных моделей, позволяющих предсказывать или выводить новые факты, которых нет в результатах наблюдений. Это позволяет, к примеру, прогнозировать такие будущие события, как тенденции продаж, отказы вычислительных систем, исходы экспериментов и многое другое. Книга представляет собой введение в вероятностное программирование для программистов-практиков. Автор почти сразу переходит к практическим примерам: построению фильтра спама, диагностике ошибок в вычислительной системе, восстановлению цифровых изображений. Вы познакомитесь с вероятностным выводом, где алгоритмы помогают прогнозировать, например, использование социальных сетей. Попутно узнаете о применении функционального стиля программирования для анализа текстов, объектно-ориентированных моделей - для прогнозирования распространения твитов, и моделей с открытой вселенной - для измерения явлений, имеющих место в социальной сети

В этой книге представлено общее введение в вероятностные графовые модели (ВГМ) с инженерной точки зрения. В книге подробно рассматриваются теоретические основы для каждого из основных классов ВГМ, включая принципы и методы представления, логического вывода и обучения, а также обзоры реальных практических приложений для каждого типа модели. Примеры приложений взяты из самых разнообразных предметных областей и наглядно демонстрируют множество вариантов применения байесовских классификаторов, скрытых марковских моделей, байесовских сетей, динамических и временных байесовских сетей, марковских случайных полей, диаграмм влияния и марковских процессов принятия решений

Данная книга представляет собой краткий учебный курс для школьников и студентов по машинному зрению и цифровой обработки изображений в среде визуального программирования LabVIEW с использованием библиотеки IMAQ Vision. Рассматриваются основные аспекты получения, хранения, обработки и анализа цифровых изображений, а также автоматического выделения и распознавания на изображениях различного рода объектов • Приводятся многочисленные примеры практических приложений машинного и компьютерного зрения в таких областях, как автоматизация измерений и технический контроль, видеонаблюдение, биометрия, обработка документов, медицинские приложения

Путешествия во времени – нарушение законов природы или непознанная сторона реальности? Книга, которую вы держите в руках, предлагает сугубо научную трактовку этого процесса, а попутно ставит перед читателем ряд философско-этических вопросов, основной из которых формулируется так: «Властен ли человек над временем?» • Темы, рассматриваемые в книге • - история вопроса: философы vs ученые • - однонаправленно ли время • - пространство-время как единая категория • - путешествия во времени и расщепление Вселенных • - как передать сигнал в прошлое • - движение со сверхсветовой скоростью • - время и гравитация • - «в стадии разработки»: научные описания машины времени

В этой книге представлены концепции, лежащие в основе современных коммуникационных сетей. Приводится обзор интернет- технологий, рассматривается работа Ethernet, сетей Wi- Fi, транспортных протоколов. Кратко обсуждаются технологии физического уровня, лежащие в основе различных сетей. Наконец, представлена выборка тем, которые очерчивают перспективы развития коммуникационной связи. В конце глав приводятся задачи для самостоятельной проработки • "В книге в четкой и ясной форме представлены наиболее важные принципы проектирования коммуникационных сетей с акцентом на интернет. Рассматриваются вопросы физического уровня, вплоть до ключевых распределенных приложений. Книга станет ценным пособием для студентов, преподавателей и практиков на долгие годы"

Ошеломляющий успех коммерческих приложений машинного обучения (machine learning - ML) и быстрый рост этой отрасли создали высокий спрос на готовые методы ML, которые можно легко использовать без специальных знаний. Однако и сегодня успех практического применения в решающей степени зависит от экспертов - людей, которые вручную выбирают подходящие архитектуры и их гиперпараметры. Методы AutoML нацелены на устранение этого узкого места путем построения систем ML, способных к автоматической оптимизации и самонастройке независимо от типа входных данных • В этой книге впервые представлен всеобъемлющий обзор базовых методов автоматизированного машинного обучения (AutoML). Издание послужит отправной точкой для изучения этой быстро развивающейся области; тем, кто уже использует AutoML в своей работе, книга пригодится в качестве справочника

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

Elastic Stack – это комплексное решение для анализа журналов, которое помогает пользователям эффективно получать, обрабатывать и анализировать данные поиска. Книга содержит всесторонний обзор функций машинного обучения Elastic Stack (Elastic ML) как для анализа данных временных рядов, так и для классификации, регрессии и обнаружения выбросов. Концепции машинного обучения объясняются понятным и доступным языком. Рассмотрен анализ временных рядов для различных типов данных, таких как файлы журналов, сетевые потоки, показатели приложений и финансовые данные. Описано использование Elastic ML для ведения журнала, обеспечения безопасности и отслеживания показателей • После прочтения вы приобретете практический опыт совместного ис-пользования технологии машинного обучения и Elastic Stack, а также знания, необходимые для включения машинного обучения в вашу платформу распределенного поиска и анализа данных