Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn

Python jako klucz do praktycznego uczenia maszynowego

Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn to książka, która prowadzi krok po kroku przez tworzenie systemów uczących się — od pierwszych koncepcji aż po rozwiązania użyteczne w realnych projektach. Jeśli Twoim celem jest nie tylko „wiedzieć, czym jest model”, ale też umieć go zbudować, przetestować i doprowadzić do sensownych rezultatów, ta pozycja została napisana dokładnie pod takie potrzeby.

Autor pokazuje, że spektakularne wyniki nie biorą się z samej teorii. Potrzebne są ćwiczenia, praktyka i rozwiązywanie problemów w podobnym duchu jak w pracy specjalistów od danych. Dlatego książka opiera się na konkretnych scenariuszach: eksploracji danych, inżynierii cech, klasyfikacji, regresji, klastrowaniu oraz przetwarzaniu języka naturalnego.

Wątek narzędzi jest tu równie istotny. Książka wykorzystuje biblioteki Pythona: TensorFlow 2, PyTorch oraz scikit-learn, dzięki czemu łatwiej przejść od prototypu do wdrożenia. Naturalnie pojawia się też wątek tego, jak dobrać podejście do problemu biznesowego — od rekomendacji po rozpoznawanie twarzy.

Od podstaw po modele w praktyce: co dokładnie znajdziesz w środku

Konstrukcja podręcznika sprzyja nauce „od podłogi”: zaczynasz od pierwszych kroków z uczeniem maszynowym w Pythonie, a następnie przechodzisz do coraz bardziej złożonych zastosowań. W trakcie pracy poznasz różnice między uczeniem maszynowym a automatyką, zrozumiesz rolę uogólniania danych oraz dowiesz się, gdzie pojawia się ryzyko nadmiernego i niedostatecznego dopasowania.

Ważnym elementem jest weryfikacja i kontrola jakości. Autor omawia m.in. zapobieganie nadmiernemu dopasowaniu przez weryfikację krzyżową oraz regularyzację. Pojawia się także selekcja cech i redukcja wymiarowości — czyli praktyczne sposoby na to, by model uczył się skuteczniej, a dane nie „przysłaniały” sygnału.

W dalszej części książki zobaczysz, jak wygląda wdrażanie modeli w typowych projektach. Wśród poruszanych tematów znajdziesz m.in. łączenie modeli (głosowanie i uśrednianie, agregacja bootstrap), wzmacnianie, składowanie oraz zagadnienia przygotowania środowiska i konfiguracji oprogramowania. To wszystko ma prowadzić do tego, byś potrafił/potrafiła tworzyć rozwiązania, a nie tylko czytać o algorytmach.

Rekomendacje, twarze, kliknięcia reklam i prognozy: algorytmy w działaniu

Jednym z najbardziej praktycznych rozdziałów jest tworzenie systemu rekomendacji filmów na bazie naiwnego klasyfikatora Bayesa. Książka prowadzi przez klasyfikację binarną, wieloklasową i wieloetykietową, wyjaśnia twierdzenie Bayesa w przykładach oraz pokazuje mechanizm działania naiwnego klasyfikatora. Następnie przechodzisz do implementacji: zarówno od podstaw, jak i z użyciem scikit-learn, a także do oceny jakości i strojenia modeli przez weryfikację krzyżową.

Kolejny obszar to rozpoznawanie twarzy z użyciem maszyny wektorów nośnych. Autor opisuje scenariusze związane z wyznaczaniem hiperpłaszczyzny rozdzielającej, pracę z punktami odstającymi, warianty wieloklasowe oraz rozwiązywanie problemów nierozdzielnych liniowo przez jądro. W praktyce omawiane jest też wybieranie między jądrem liniowym a radialną funkcją bazową, a potem klasyfikacja zdjęć twarzy i zwiększanie skuteczności z wykorzystaniem analizy głównych składowych.

W świecie danych biznesowych równie ważne są modele predykcyjne. Książka porusza prognozowanie kliknięć reklam za pomocą algorytmów drzewiastych (drzewo decyzyjne, las losowy, drzewa ze wzmocnieniem gradientowym) oraz regresji logistycznej. Dowiesz się, jak trenować modele z gradientem prostym i stochastycznym gradientem prostym, jak działa regularyzacja oraz jak wykorzystywać selekcję cech. W praktyce pojawia się też wątek uczenia online i pracy na dużych zbiorach danych.

TensorFlow 2, PyTorch i scikit-learn w jednym kursie praktyki

To, co wyróżnia tę książkę, to spójne pokazanie, jak korzystać z różnych ekosystemów w zależności od zadania. W rozdziałach pojawiają się implementacje z użyciem scikit-learn, a także rozwiązania w TensorFlow 2 i PyTorch. Dzięki temu łatwiej porównać podejścia i zrozumieć, jak przenieść wiedzę z jednego narzędzia do drugiego.

W kontekście dużych danych książka przechodzi nawet przez Apache Spark i pracę w PySpark: ładowanie danych o kliknięciach reklam, dzielenie i umieszczanie w pamięci, kodowanie cech kategorialnych „1 z n”, trenowanie i testy regresji logistycznej oraz inżynierię cech dla danych kategorialnych. Pojawiają się też interakcje cech — czyli łączenie zmiennych w sposób, który potrafi poprawić jakość predykcji.

W rozdziałach o sieciach neuronowych zobaczysz demistyfikację sieci neuronowych, funkcje aktywacji, propagację wstecz oraz budowę sieci wielowarstwowych. Są też techniki ograniczania nadmiernego dopasowania: Dropout i wczesne zakończenie treningu. Następnie dochodzi do prognozowania cen akcji — od prostych modeli po dostrajanie parametrów.

Tekst, klastrowanie i obraz: NLP oraz modele generujące

Ważny blok stanowi przetwarzanie języka naturalnego. Autor wyjaśnia, jak komputery rozumieją ludzi: zaczyna od podstaw NLP, historii dziedziny i zastosowań, a potem przechodzi do praktyki. W rozdziale o analizie danych z grup dyskusyjnych znajdziesz m.in. przegląd bibliotek Pythona, tokenizację, oznaczanie części mowy, rozpoznawanie jednostek nazwanych, stemming i lematyzację.

Dalsza część dotyczy modelowania semantycznego i tematycznego. Książka prowadzi przez pozyskiwanie danych, zliczanie tokenów, wstępne przetwarzanie tekstu (usuwanie stop-słów i upraszczanie odmian) oraz wizualizację danych tekstowych techniką t-SNE. Pojawia się też redukcja wymiarowości i jej zastosowanie w praktyce.

Z kolei rozdział o wyszukiwaniu ukrytych tematów pokazuje uczenie nienadzorowane: klastrowanie metodą k-średnich (od działania po dobór wartości k), a następnie modelowanie tematyczne z użyciem nieujemnej faktoryzacji macierzy oraz ukrytej alokacji Dirichleta.

Uczenie przez wzmacnianie i rozwiązania sekwencyjne

Jeśli interesuje Cię uczenie przez wzmacnianie, w książce znajdziesz pełny rozdział z praktycznym przygotowaniem środowiska i implementacją problemów decyzyjnych. Autor omawia instalację biblioteki PyTorch oraz narzędzi OpenAI Gym, opisuje komponenty uczenia przez wzmacnianie, sumaryczną nagrodę i algorytmy takie jak FrozenLake z użyciem iteracji wartości oraz iteracji polityki.

W dalszej kolejności pojawiają się metody Monte Carlo, środowisko Blackjack i sterowanie Monte Carlo z polityką, a także problem taksówkarza oraz algorytm Q-uczenia. To podejście pozwala zrozumieć, jak podejmowanie decyzji może być uczone w warunkach, w których nie wszystko jest znane z góry.

Wątek sekwencji jest rozwinięty w rozdziale o rekurencyjnych sieciach neuronowych: od wprowadzenia do uczenia sekwencyjnego przez różne typy architektur (wiele do jednego, jedno do wielu, wiele do wielu) aż po długoterminowe zależności i sieć LSTM. Pojawiają się też przykłady analizy recenzji filmowych, pisania nowej powieści „Wojna i pokój” oraz budowa generatora tekstu.

Dla kogo jest ta książka i jak wykorzystać ją w nauce

Ta pozycja jest dla osób, które chcą wejść w praktykę uczenia maszynowego i realnie ćwiczyć implementacje. Jeśli uczysz się samodzielnie, docenisz nacisk na rozwiązywanie problemów — od przygotowania danych po dobór algorytmu i ocenę jakości. Dzięki temu „Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn” dobrze sprawdza się jako przewodnik po tym, jak budować modele w sposób powtarzalny.

W książce znajdziesz też rozdział poświęcony dobrym praktykom, czyli temu, co często pomija się w krótszych materiałach. Autor opisuje m.in. dokładne poznanie celu projektu, zbieranie istotnych pól, ujednolicanie danych, pracę z niekompletnymi danymi, przechowywanie dużych ilości danych oraz sposób oznaczania i kodowania cech kategorialnych.

Jest tu również nacisk na to, jak podejmować decyzje w trakcie eksperymentów: wybierać algorytmy początkowe, diagnozować nadmierne i niedostateczne dopasowanie, rozważać redukcję wymiarowości i normalizację cech oraz dokumentować proces tworzenia cech. To wszystko wspiera naukę od strony inżynierskiej, a nie tylko akademickiej.

Najważniejsze wątki, które zobaczysz w rozdziałach

• Rekomendacje filmów, rozpoznawanie twarzy, prognozowanie kliknięć reklam i cen akcji
• NLP, klastrowanie oraz modelowanie tematyczne, a także CNN, RNN/LSTM i uczenie przez wzmacnianie

Jeśli chcesz uczyć się skutecznie, ta książka daje Ci mapę: od teorii do kodu, od danych do predykcji i od pojedynczego modelu do podejść bardziej zaawansowanych. W praktyce zobaczysz, jak w Pythonie łączyć różne narzędzia i jak przechodzić między ekosystemami — tak, by Twoje projekty były nie tylko działające, ale też sensownie oceniane.