Préparation à l'apprentissage automatique dans la première cour

Chapitre 1 : Apprentissage automatique et Python
1.1 Comprendre l'apprentissage automatique
____1.1.1 Pourquoi l'apprentissage automatique a-t-il émergé ?
____1.1.2 Aperçu des modèles d'apprentissage automatique présentés dans ce livre
____1.1.3 Aperçu de la structure d'apprentissage de ce livre
1.2 Comprendre les concepts des algorithmes utilisés en apprentissage automatique
1.3 Mise en place de l'environnement de pratique
____1.3.1 Présentation des packages Python utilisés dans ce livre
__1.4 Expérimentez rapidement les procédures d'apprentissage automatique
____1.4.1 Préparation de l'ensemble de données
____1.4.2 Division de l'ensemble de données
____1.4.3 Prétraitement des données
1.4.4 Entraînement du modèle à l'aide des données d'entraînement
____1.4.5 Optimisation des hyperparamètres à l'aide de paires de données d'entraînement et de validation
____1.4.6 Mesure et évaluation finales des performances sur l'ensemble de données de test

Apprentissage supervisé utilisant le modèle linéaire de la deuxième cour

Préparation d'un modèle linéaire

Chapitre 2 Modèle des moindres carrés
__2.1 Qu'est-ce qu'un modèle des moindres carrés ?
____2.1.1 Définition du modèle des moindres carrés
__2.2 Mise en œuvre du modèle des moindres carrés avec des équations normales
____2.2.1 Théorie des solutions utilisant les équations normales
____2.2.2 Mise en œuvre de la solution à l'aide d'équations normales
____2.2.3 Inconvénients de la mise en œuvre d'équations normales
__2.3 Mise en œuvre d'un modèle des moindres carrés utilisant la décomposition en valeurs singulières
____2.3.1 Théorie des solutions utilisant SVD-OLS
____2.3.2 Inconvénients de la solution par équations classiques et avantages de la solution SVD-OLS
____2.3.3 Mise en œuvre de la solution à l'aide de SVD-OLS
2.4 Mise en œuvre d'un modèle à l'aide de TSVD-OLS
____2.4.1 Théorie des solutions utilisant TSVD-OLS
____2.4.2 Mise en œuvre de la solution à l'aide de TSVD-OLS
Exprimé sous forme de package __2.5
__2.6 Leçon supplémentaire sur les modèles des moindres carrés
____2.6.1 Les moindres carrés ordinaires (MCO) en tant que modèle statistique
____2.6.2 Coefficient de détermination
____2.6.3 Modèle de boîte blanche et modèle de boîte noire
Problème de réflexion

Chapitre 3 Modèle de régression logistique
__Revue préliminaire des connaissances
__3.1 Qu'est-ce qu'un modèle de régression logistique ?
3.2 Mise en œuvre d'un modèle de régression logistique
3.2.1 Théorie de base du modèle de régression logistique
____3.2.2 Théorie avancée des modèles de régression logistique
____3.2.3 Mise en œuvre d'un modèle de régression logistique
Expression avec le package __3.3
__3.4 Modèle de régression logistique – Leçon supplémentaire
____3.4.1 Mise à l'échelle des fonctionnalités et pipeline
____3.4.2 Techniques de régression logistique en tant que modèle statistique
____3.4.3 Méthode de validation croisée
____3.4.4 Méthode de sélection des caractéristiques
Problème de réflexion

Chapitre 4 Modèle Lasso
__Revue préliminaire des connaissances
__4.1 Qu'est-ce qu'un modèle Lasso ?
4.2 Mise en œuvre du modèle Lasso
____4.2.1 Théorie du modèle Lasso
____4.2.2 Mise en œuvre du modèle Lasso
4.3 Exprimer sous forme de paquet
__4.4 Leçon supplémentaire sur le modèle Lasso
____4.4.1 Modèle Lasso basé sur LARS
____4.4.2 Méthode de sélection du modèle
Problème de réflexion

Chapitre 5 Modèle de régression Ridge
__Revue préliminaire des connaissances
__5.1 Qu'est-ce qu'un modèle de régression Ridge ?
5.2 Mise en œuvre du modèle de régression Ridge
____5.2.1 Théorie de base du modèle de régression ridge
____5.2.2 Théorie avancée des modèles de régression Ridge
____5.2.3 Mise en œuvre du modèle de régression Ridge
5.3 Exprimer sous forme de paquet
__5.4 Modèle de régression Ridge - Leçon supplémentaire
5.4.1 Compromis biais-variance et variance dans la régression Ridge
____5.4.2 Modèle de classification Ridge
____5.4.3 Modèle de régression Elastic Net
Problème de réflexion

Apprentissage supervisé à l'aide du modèle de l'arbre de la troisième cour

__Préparation du modèle d'arbre

Chapitre 6 Modèle d'arbre de décision
__Revue préliminaire des connaissances
__6.1 Qu'est-ce qu'un modèle d'arbre de décision ?
6.2 Mise en œuvre d'un modèle d'arbre de décision
____6.2.1 Théorie des modèles de classification par arbre de décision
____6.2.2 Mise en œuvre d'un modèle de classification par arbre de décision
6.3 Expression sous forme de paquet
__6.4 Modèle d'arbre de décision - Leçon supplémentaire
____6.4.1 Arbres de régression
____6.4.2 Recherche par grille
____6.4.3 Importance des fonctionnalités
Problème de réflexion

Chapitre 7 Modèle de forêt aléatoire
__Revue préliminaire des connaissances
__7.1 Qu'est-ce qu'un modèle de forêt aléatoire ?
7.2 Mise en œuvre d'un modèle de forêt aléatoire
____7.2.1 Théorie des modèles de forêts aléatoires
____7.2.2 Mise en œuvre d'un modèle de classification par forêt aléatoire
7.3 Exprimer sous forme de paquet
__7.4 Leçon supplémentaire sur les modèles de forêts aléatoires
____7.4.1 Modèle de régression par forêt aléatoire
____7.4.2 Score OOB
____7.4.3 ExtraTrees
____7.4.4 Importance des fonctionnalités
Problème de réflexion

Chapitre 8 : Modèle d'arbre de décision par gradient boosté
__Revue préliminaire des connaissances
__8.1 Qu'est-ce qu'un modèle d'arbre de gradient boosting ?
8.2 Implémentation d'un modèle d'arbre de décision par gradient boosting
8.2.1 Théorie du modèle d'arbre de décision par gradient boosté
____8.2.2 Mise en œuvre d'un modèle de régression par arbre de décision boosté
8.3 Exprimer sous forme de paquet
__8.4 Modèle d'arbre de décision par gradient boosting - Leçon supplémentaire
8.4.1 Intelligence artificielle explicable
____8.4.2 Techniques de renforcement après le modèle GBT
Problème de réflexion

Quatrième cour Autres modèles d'apprentissage cartographique

Chapitre 9 Modèle des k plus proches voisins
__Revue préliminaire des connaissances
__9.1 Qu'est-ce que le modèle des K plus proches voisins ?
__9.2 Mise en œuvre du modèle des k plus proches voisins
____9.2.1 Théorie de base du modèle KNN
____9.2.2 Théorie avancée du modèle KNN
____9.2.3 Mise en œuvre du modèle de classification KNN
__9.3 Exprimer sous forme de paquet
__9.4 Leçon supplémentaire sur le modèle des k plus proches voisins
____9.4.1 Modèle de régression KNN
____9.4.2 Limite de décision
____9.4.3 Modèle de plus proche voisin à rayon fixe
____9.4.4 Modèle de valeurs aberrantes KNN
Problème de réflexion

Chapitre 10 : Modèles de machines à vecteurs de support
__10.1 Qu'est-ce qu'un modèle de machine à vecteurs de support ?
10.2 Mise en œuvre d'un modèle de machine à vecteurs de support
____10.2.1 Théorie des modèles de machines à vecteurs de support
____10.2.2 Mise en œuvre du modèle SVM
10.3 Exprimer sous forme de paquet
____10.3.1 Implémentation avec d'autres packages
__10.4 Modèle de machine à vecteurs de support Leçon supplémentaire
____10.4.1 Extension à la régression par vecteurs de support
____10.4.2 Méthode de jugement probabiliste pour la classification des classes
Problème de réflexion

Chapitre 11 : Modèle de perceptron multicouche
__Revue préliminaire des connaissances
__11.1 Qu'est-ce qu'un modèle de perceptron multicouche ?
__11.2 Mise en œuvre d'un modèle de perceptron multicouche
____11.2.1 Théorie du modèle de perceptron multicouche
____11.2.2 Mise en œuvre d'un modèle de perceptron multicouche
__11.3 Exprimer sous forme de paquet
__11.4 Leçon supplémentaire sur le modèle de perceptron multicouche
____11.4.1 Modèle de régression MLP
Problème de réflexion

Modèle d'apprentissage non supervisé de Fifth Yard

Chapitre 12 Modèle de clustering K-Means
__12.1 Qu'est-ce que le modèle de clustering K-Means ?
12.2 Mise en œuvre du modèle de clustering K-Means
____12.2.1 Théorie du modèle de clustering K-Means
____12.2.2 Mise en œuvre du modèle de clustering K-Means
12.3 Exprimer sous forme de paquet
__12.4 Leçon supplémentaire sur le modèle de clustering K-Means
____12.4.1 Jeux de données pour lesquels le modèle de clustering K-means n'est pas adapté
____12.4.2 Évaluation des résultats du clustering
Problème de réflexion

Chapitre 13 : Modèles de classification hiérarchique
__13.1 Qu'est-ce qu'un modèle de clustering hiérarchique ?
13.2 Mise en œuvre d'un modèle de classification hiérarchique
____13.2.1 Théorie des modèles de classification hiérarchique
____13.2.2 Mise en œuvre d'un modèle de classification hiérarchique
__13.3 Exprimer sous forme de paquet
__13.4 Leçon supplémentaire sur les modèles de classification hiérarchique
____13.4.1 Visualisation des hiérarchies de clusters à l'aide de dendrogrammes
Problème de réflexion

Chapitre 14 Modèle d'analyse en composantes principales
__Revue préliminaire des connaissances
__14.1 Qu'est-ce qu'un modèle d'analyse en composantes principales ?
14.2 Mise en œuvre d'un modèle d'analyse en composantes principales
____14.2.1 Théorie du modèle d'analyse en composantes principales
____14.2.2 Mise en œuvre du modèle ACP
14.3 Exprimer sous forme de paquet
__14.4 Modèle d'analyse en composantes principales - Leçon supplémentaire
____14.4.1 Diverses techniques de réduction de dimensionnalité
Problème de réflexion

[Annexe] Aperçu de la terminologie de l'apprentissage automatique
Résolution du problème de réflexion
Références

Recherche

Vous débutez dans le domaine de l'apprentissage automatique et vous êtes bloqué dans votre pratique ?
Lors du développement des compétences nécessaires au travail pratique !

L'apprentissage automatique est un domaine où l'écart entre les connaissances de base et les connaissances pratiques est très important.
Les instructions d'utilisation du logiciel et les exemples de codes présentés dans le livre d'introduction ne sont pas faciles à appliquer à des environnements de recherche ou de travail réels, et même si vous essayez de trouver et d'utiliser des codes via Google en fonction de la situation, ils deviennent souvent inutiles dès que l'environnement ou les conditions changent, même légèrement.


L'auteur de ce livre a lui aussi rencontré des problèmes similaires lorsqu'il a commencé à étudier l'apprentissage automatique.
Après avoir lutté contre l'apprentissage automatique sur le terrain pendant plus d'une décennie, j'ai réalisé que pour développer véritablement ses compétences, il faut se concentrer sur la maîtrise de la théorie et de l'utilisation des modèles fondamentaux qui sous-tendent toutes les techniques d'apprentissage automatique.
Ce livre s'adresse à ceux qui, comme l'auteur, débutent en apprentissage automatique et rencontrent des difficultés dans sa mise en pratique. Il peut paraître complexe au premier abord, mais il vous montrera la méthode la plus rapide pour progresser et les raccourcis à adopter.

En implémentant directement les 13 modèles de base,
Développer des compétences pratiques directement applicables au travail.

Comment comprendre pleinement les modèles sous-jacents ? Ce livre présente 13 modèles d’apprentissage automatique fondamentaux et propose des méthodes pour les implémenter de façon simple.
L'expérience de la simple création de modèles divers et complexes et de la résolution de problèmes n'est peut-être pas pleinement intégrée à mes compétences actuelles.
De plus, dans la réalité, l'environnement donné est en perpétuelle évolution ; il est donc nécessaire de savoir comment modifier la forme du modèle à son gré.


Plus vous approfondirez la théorie et l'utilisation des principaux modèles de base, plus il vous sera facile de comprendre les autres modèles. De plus, vous constaterez que la plupart des éléments essentiels de tout modèle d'apprentissage automatique partagent théoriquement le même modèle de base.
Apprendre de cette manière vous permettra de devenir plus flexible et de réduire les tentatives inutiles lors de la modélisation d'apprentissage automatique dans le cadre d'un travail ou d'une recherche réels.

De la théorie des algorithmes à l'analyse des hyperparamètres
Une exploration approfondie de l'apprentissage automatique, du début à la fin.

Dans ce livre, nous apprendrons l'apprentissage automatique dans l'ordre suivant.
Nous allons d'abord passer en revue la théorie algorithmique fondamentale qui sous-tend chaque modèle d'apprentissage automatique et approfondir notre compréhension de ses principes de fonctionnement ainsi que de sa théorie mathématique.
Et implémentons le modèle en le codant directement sous une forme simple.
Ensuite, nous modélisons à l'aide du package Python optimisé pour le modèle intégré à scikit-learn, nous le comparons au modèle que nous avons créé nous-mêmes et nous explorons les différences.
Enfin, nous examinerons les hyperparamètres utilisés dans le package Python afin de comprendre plus en détail son fonctionnement.

Que vous soyez novice en apprentissage automatique ou que vous l'étudiiez depuis un certain temps, vous pouvez consulter la section « Aperçu des connaissances préliminaires » pour avoir un aperçu des connaissances nécessaires à la compréhension des modèles abordés dans chaque chapitre.
De plus, à la fin de chaque chapitre, nous proposons des « leçons supplémentaires » qui fournissent des connaissances précieuses à ceux qui souhaitent devenir des experts en apprentissage automatique.

Vue d'ensemble du monde de l'apprentissage automatique
Comprend une « Carte de la terminologie de l'apprentissage automatique » !

Une « carte terminologique » est fournie en annexe pour vous aider à comprendre en un coup d'œil les différents domaines, types et concepts de l'apprentissage automatique.
Explorons cette carte pour voir comment le monde de l'apprentissage automatique est structuré et ce que nous avons appris de ce livre.
Amusons-nous à réfléchir aux domaines que nous explorerons dans le futur en matière d'apprentissage automatique.

Venez à la salle d'étude « Faites-le ! » où nous apprenons, partageons et progressons ensemble !

Si vous planifiez et étudiez seul, vous vous fatiguerez vite.
Rencontrons des lecteurs qui partagent des préoccupations similaires et qui abordent des sujets difficiles.
Étudier en s'entraidant est plus enrichissant.
Si vous voulez aller loin, allez-y avec un ami.
- Faites-le ! Salle d'étude : cafe.naver.com/doitstudyroom

Des exemples de fichiers sources sont disponibles sur la salle de données du site web d'Aegis Publishing ou sur le GitHub de l'auteur.

- Site web d'Easy Publishing : www.easyspub.co.kr → Cliquez sur [Data Room] → Recherchez le titre du livre
- GitHub de l'auteur : github.com/giwoong2/doit_hands-on_ML