# Praktyczne uczenie nienadzorowane przy użyciu języka Python. Jak budować użytkowe rozwiązania uczenia maszynowego na podstawie nieoznakowanych danych

Canonical: https://www.kolczanksiazek.pl/ankur-a-patel/praktyczne-uczenie-nienadzorowane-przy-uzyciu-jezyka-python-jak-budowac-uzytkowe-rozwiazania-uczenia-maszynowego-na-podstawie-nieoznakowanych-danych

![Praktyczne uczenie nienadzorowane przy użyciu języka Python. Jak budować użytkowe rozwiązania uczenia maszynowego na podstawie nieoznakowanych danych](https://quivercdn.com/covers/apn-promise/ankur-a-patel/praktyczne-uczenie-nienadzorowane-przy-uzyciu-jezyka-python-jak-budowac-uzytkowe-rozwiazania-uczenia-maszynowego-na_978-83-7541-426-4-ffa01b20.jpg?v=2026-08-29%2020%3A14%3A15)

- Autorzy: [Ankur A. Patel](https://www.kolczanksiazek.pl/ankur-a-patel)
- Język: pl_PL
- Data wydania: 2020-07-21

## Opis

Wielu ekspertów branżowych uważa uczenie nienadzorowane za kolejną granicę w dziedzinie sztucznej inteligencji, która może stanowić klucz do pełnej sztucznej inteligencji. Ponieważ większość danych na świecie jest nieoznakowana, nie można do nich zastosować konwencjonalnego uczenia nadzorowanego. Z kolei uczenie nienadzorowane może być stosowane wobec nieoznakowanych zbiorów danych w celu odkrycia istotnych wzorców ukrytych głęboko w tych danych, które dla człowieka mogą być niemal niemożliwe do odkrycia. Autor Ankur Patel pokazuje, jak stosować uczenie nienadzorowane przy wykorzystaniu dwóch prostych platform dla języka Python: Scikit-learn oraz Tensor Flow (wraz z Keras). Dzięki dołączonemu kodowi i praktycznym przykładom analitycy danych będą mogli identyfikować trudne do znalezienia wzorce w danych i odkrywać dogłębne zależności biznesowe, wykrywać anomalie, przeprowadzać automatyczną selekcję zmiennych i generować syntetyczne zbiory danych. Wystarczy znajomość programowania i nieco doświadczenia w uczeniu maszynowym, aby zająć się: Porównywaniem mocnych i słabych stron różnych podejść do uczenia maszynowego: uczenia nadzorowanego, nienadzorowanego i wzmacnianego. Przygotowywaniem i zarządzaniem projektami uczenia maszynowego. Budowaniem systemu wykrywania anomalii w celu wychwycenia oszustwa dotyczącego kard kredytowych. Rozdzielaniem użytkowników na wydzielone i jednorodne grupy. Przeprowadzaniem uczenia pół-nadzorowanego. Opracowywaniem systemów polecania filmów z użyciem ograniczonych automatów Boltzmanna. Generowaniem syntetycznych obrazów przy użyciu generujących sieci antagonistycznych. Badacze, inżynierowie i studenci docenią tę książkę pełną praktycznych technik uczenia nienadzorowanego, napisaną prostym językiem z nieskomplikowanymi przykładami w języku Python, które można szybko i skutecznie implementować. Sarah Nagy Główny analityk danych w firmie Edison Ankur A. Patel jest wiceprezesem ds. informatyki analitycznej w firmie 7Park Data, wspieranej przez firmę inwestycyjną Vista Equity Partners. W firmie 7Park Data, Ankur i jego zespół analizy danych wykorzystują dane alternatywne do opracowywania produktów związanych z danymi dla funduszy hedgingowych i korporacji oraz rozwijają usługi uczenia maszynowego dla klientów firmowych.

## Wydania

### Praktyczne uczenie nienadzorowane przy użyciu języka Python. Jak budować użytkowe rozwiązania uczenia maszynowego na podstawie nieoznakowanych danych

- Wydawnictwo: APN PROMISE
- ISBN: 978-83-7541-426-4
- Liczba stron: 390
- Data wydania: 2020-07-21
- Język: pl_PL