book

Livro de receitas de aprendizagem automática com Python, 2ª edição

Name: Livro de receitas de aprendizagem automática com Python, 2ª edição
ISBN: 9798341642072

by Kyle Gallatin, Chris Albon

April 2025

Intermediate to advanced

416 pages

8h 32m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Read now

Unlock full access

Prefácio
Convenções utilizadas neste livroUtilizar exemplos de códigoAprendizagem em linha da O'ReillyComo contactar-nosAgradecimentos
1. Trabalhando com vetores, matrizese matrizes no NumPy
1.0. Introdução1.1. Criar um vetor1.2. Criar uma matriz1.3. Criar uma matriz esparsa1.4. Pré-alocando matrizes NumPy1.5. Seleção de elementos1.6. Descrever uma matriz1.7. Aplicando funções sobre cada elemento1.8. Encontrar os valores máximos e mínimos1.9. Calculando a média, a variância e o desvio padrão1.10. Remodelar matrizes1.11. Transposição de um vetor ou matriz1.12. Achatar uma matriz1.13. Encontrando a classificação de uma matriz1.14. Obtendo a diagonal de uma matriz1.15. Calcula o traço de uma matriz1.16. Calcular produtos de pontos1.17. Adição e subtração de matrizes1.18. Multiplicação de matrizes1.19. Inverter uma matriz1.20. Gerar valores aleatórios
2. Carregamento de dados
2.0. Introdução2.1. Carregamento de um conjunto de dados de amostra2.2. Criar um conjunto de dados simulado2.3. Carregamento de um ficheiro CSV2.4. Carregamento de um ficheiro Excel2.5. Carregar um ficheiro JSON2.6. Carregar um ficheiro Parquet2.7. Carregar um ficheiro Avro2.8. Consultar uma base de dados SQLite2.9. Consultar uma Base de Dados SQL Remota2.10. Carregando dados de uma planilha do Google2.11. Carregando dados de um bucket S32.12. Carregamento de dados não estruturados
3. Processamento de dados
3.0. Introdução3.1. Criar um quadro de dados3.2. Obter informações sobre os dados3.3. Cortar DataFrames3.4. Seleção de linhas com base em condicionais3.5. Ordenar valores3.6. Substituição de valores3.7. Mudar o nome das colunas3.8. Encontrando o mínimo, o máximo, a soma, a médiae a contagem3.9. Encontrar valores únicos3.10. Tratamento de valores em falta3.11. Eliminar uma coluna3.12. Eliminar uma linha3.13. Eliminar linhas duplicadas3.14. Agrupar linhas por valores3.15. Agrupar linhas por tempo3.16. Operações de agregação e estatísticas3.17. Fazendo um loop sobre uma coluna3.18. Aplicando uma função sobre todos os elementos de uma coluna3.19. Aplicando uma função a grupos3.20. Concatenar DataFrames3.21. Fusão de DataFrames
4. Manipulação de dados numéricos
4.0. Introdução4.1. Redimensionar uma caraterística4.2. Normalização de uma caraterística4.3. Normalização das observações4.4. Geração de caraterísticas polinomiais e de interação4.5. Caraterísticas de transformação4.6. Detetar anomalias4.7. Manuseamento de valores anómalos4.8. Discretização de caraterísticas4.9. Agrupamento de observações usando clustering4.10. Eliminação de observações com valores em falta4.11. Imputação de valores em falta
5. Tratamento de dados categóricos
5.0. Introdução5.1. Codificação de caraterísticas categóricas nominais5.2. Codificação de caraterísticas categóricas ordinais5.3. Codificação de dicionários de caraterísticas5.4. Imputação de valores de classe em falta5.5. Lidando com classes desequilibradas
6. Manuseamento de texto
6.0. Introdução6.1. Texto de limpeza6.2. Analisar e limpar HTML6.3. Remover a pontuação6.4. Tokenizar texto6.5. Remover palavras de paragem6.6. Decifrar palavras6.7. Marcação de partes do discurso6.8. Realizar o reconhecimento de entidades nomeadas6.9. Codifica o texto como um saco de palavras6.10. Ponderação da importância das palavras6.11. Utilizar vectores de texto para calcular a semelhança de texto numa consulta de pesquisa6.12. Usando um classificador de análise de sentimento
7. Datas e horas de tratamento
7.0. Introdução7.1. Converter cadeias de caracteres em datas7.2. Tratamento dos fusos horários7.3. Selecionar datas e horas7.4. Quebra de dados de data em várias caraterísticas7.5. Calculando a diferença entre datas7.6. Codificação dos dias da semana7.7. Criar uma caraterística desfasada7.8. Utilizar janelas de tempo de rolamento7.9. Tratamento de dados em falta em séries cronológicas
8. Manuseamento de imagens
8.0. Introdução8.1. Carregamento de imagens8.2. Guardar imagens8.3. Redimensionar imagens8.4. Recortar imagens8.5. Desfocar imagens8.6. Nitidez de imagens8.7. Aumentar o contraste8.8. Isolamento de cores8.9. Binarizar imagens8.10. Remover fundos8.11. Detetar arestas8.12. Detetar cantos8.13. Criando recursos para o aprendizado de máquina8.14. Codificação de histogramas de cores como caraterísticas8.15. Usando Embeddings pré-treinados como recursos8.16. Detetar objectos com OpenCV8.17. Classifica imagens com o PyTorch
9. Redução de dimensionalidade usando extração de caraterísticas
9.0. Introdução9.1. Reduzir caraterísticas usando componentes principais9.2. Redução de caraterísticas quando os dados são linearmente inseparáveis9.3. Reduzir as caraterísticas maximizando a separabilidade das classes9.4. Reduzir caraterísticas usando fatorização de matriz9.5. Reduzir caraterísticas em dados esparsos

10. Redução da dimensionalidade através da seleção de caraterísticas
10.0. Introdução10.1. Limiar a variância numérica das caraterísticas10.2. Limiar a variância da caraterística binária10.3. Tratamento de caraterísticas altamente correlacionadas10.4. Remoção de caraterísticas irrelevantes para a classificação10.5. Eliminação recursiva de caraterísticas
11. Avaliação do modelo
11.0. Introdução11.1. Modelos de validação cruzada11.2. Criar um modelo de regressão de linha de base11.3. Criação de um modelo de classificação de linha de base11.4. Avaliação das previsões do classificador binário11.5. Avaliação dos limiares do classificador binário11.6. Avaliação das previsões do classificador multiclasse11.7. Visualizando o desempenho de um classificador11.8. Avaliação de modelos de regressão11.9. Avaliação de modelos de agrupamento11.10. Criação de uma métrica de avaliação personalizada11.11. Visualiza o efeito do tamanho do conjunto de treinamento11.12. Criação de um relatório de texto de métricas de avaliação11.13. Visualizando o efeito dos valores de hiperparâmetro
12. Seleção de modelos
12.0. Introdução12.1. Seleção dos melhores modelos utilizando a pesquisa exaustiva12.2. Selecionando os melhores modelos usando a busca aleatória12.3. Selecionar os melhores modelos a partir de vários algoritmos de aprendizagem12.4. Selecionar os melhores modelos durante o pré-processamento12.5. Acelerar a seleção de modelos com a paralelização12.6. Acelerar a seleção de modelos utilizando métodos específicos do algoritmo12.7. Avaliação do desempenho após a seleção do modelo
13. Regressão linear
13.0. Introdução13.1. Ajustar uma linha13.2. Manipulação de efeitos interactivos13.3. Ajustar uma relação não linear13.4. Reduzindo a variância com regularização13.5. Reduzindo recursos com regressão Lasso
14. Árvores e florestas
14.0. Introdução14.1. Treinar um classificador de árvore de decisão14.2. Treinar um regressor de árvore de decisão14.3. Visualização de um modelo de árvore de decisão14.4. Treinar um classificador Random Forest14.5. Treina um regressor Random Forest14.6. Avaliação de florestas aleatórias com erros fora do saco14.7. Identificação de caraterísticas importantes em florestas aleatórias14.8. Seleção de caraterísticas importantes em Random Forests14.9. Lidando com classes desequilibradas14.10. Controlar o tamanho da árvore14.11. Melhorar o desempenho através do boosting14.12. Treinar um modelo XGBoost14.13. Melhorando o desempenho em tempo real com o LightGBM
15. K-vizinhos mais próximos
15.0. Introdução15.1. Encontrar os vizinhos mais próximos de uma observação15.2. Criar um classificador K-Nearest Neighbors15.3. Identificando o melhor tamanho de vizinhança15.4. Criando um classificador de vizinhos mais próximos baseado em raio15.5. Encontrar os vizinhos mais próximos aproximados15.6. Avaliar os vizinhos mais próximos aproximados
16. Regressão logística
16.0. Introdução16.1. Treinar um classificador binário16.2. Treinar um classificador multiclasse16.3. Reduzindo a variância através da regularização16.4. Treinar um classificador em dados muito grandes16.5. Lidando com classes desequilibradas
17. Máquinas de vectores de suporte
17.0. Introdução17.1. Treinar um classificador linear17.2. Manipulando Classes Linearmente Inseparáveis Usando Kernels17.3. Criar probabilidades previstas17.4. Identificar os vectores de apoio17.5. Lidando com classes desequilibradas
18. Naive Bayes
18.0. Introdução18.1. Treinar um classificador para caraterísticas contínuas18.2. Treinar um classificador para caraterísticas discretas e de contagem18.3. Treinar um classificador Naive Bayes para caraterísticas binárias18.4. Calibrar as probabilidades previstas
19. Agrupamento
19.0. Introdução19.1. Agrupamento usando K-Means19.2. Acelerar o agrupamento K-Means19.3. Agrupamento usando deslocamento médio19.4. Agrupamento usando DBSCAN19.5. Agrupamento usando fusão hierárquica
20. Tensores com PyTorch
20.0. Introdução20.1. Criando um Tensor20.2. Criar um Tensor a partir do NumPy20.3. Criando um tensor esparso20.4. Selecionando elementos em um tensor20.5. Descreve um Tensor20.6. Aplicar operações a elementos20.7. Encontrando os valores máximo e mínimo20.8. Remodelar tensores20.9. Transposição de um Tensor20.10. Achatar um tensor20.11. Cálculo de produtos de pontos20.12. Multiplicação de tensores
21. Redes neurais
21.0. Introdução21.1. Usando Autograd com PyTorch21.2. Pré-processamento de dados para redes neurais21.3. Concebe uma rede neuronal21.4. Treinar um classificador binário21.5. Treinar um classificador multiclasse21.6. Treinar um regressor21.7. Fazendo previsões21.8. Visualiza o histórico de treino21.9. Reduzindo o sobreajuste com a regularização de peso21.10. Reduzir o sobreajuste com a paragem antecipada21.11. Reduzir o sobreajuste com o abandono21.12. Guardar o progresso da formação de modelos21.13. Ajustar redes neurais21.14. Visualiza as redes neurais
22. Redes Neuronais para Dados Não Estruturados
22.0. Introdução22.1. Treina uma rede neural para classificação de imagens22.2. Treina uma rede neural para classificação de texto22.3. Ajuste fino de um modelo pré-treinado para classificação de imagens22.4. Ajuste fino de um modelo pré-treinado para classificação de texto
23. Guardar, carregar e servirmodelos treinados
23.0. Introdução23.1. Guardar e carregar um modelo scikit-learn23.2. Guardar e carregar um modelo TensorFlow23.3. Salvando e carregando um modelo do PyTorch23.4. Servindo modelos do scikit-learn23.5. Servindo modelos do TensorFlow23.6. Servir modelos PyTorch no Seldon
Índice
Sobre os autores

Overview

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com

Este guia prático fornece mais de 200 receitas autónomas para o ajudar a resolver desafios de aprendizagem automática que pode encontrar no seu trabalho. Se te sentes à vontade com Python e as suas bibliotecas, incluindo pandas e scikit-learn, serás capaz de resolver problemas específicos, desde o carregamento de dados até ao treino de modelos e à utilização de redes neurais.

Cada receita desta edição actualizada inclui código que podes copiar, colar e executar com um conjunto de dados de brincar para garantir que funciona. A partir daí, podes adaptar estas receitas de acordo com o teu caso de utilização ou aplicação. As receitas incluem uma discussão que explica a solução e fornece um contexto significativo.

Vai além da teoria e dos conceitos, aprendendo os detalhes necessários para construir aplicações de aprendizagem automática funcionais. Encontrarás receitas para:

Vetores, matrizes e matrizes
Trabalhar com dados de CSV, JSON, SQL, bases de dados, armazenamento Cloud e outras fontes
Lidar com dados numéricos e categóricos, texto, imagens, datas e horas
Redução da dimensionalidade utilizando a extração de caraterísticas ou a seleção de caraterísticas
Avaliação e seleção de modelos
Regressão linear e lógica, árvores e florestas, e k-vizinhos mais próximos
Máquinas de vectores de suporte (SVM), naäve Bayes, clustering e modelos baseados em árvores
Guarda, carrega e serve modelos treinados a partir de várias estruturas

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Publisher Resources

ISBN: 9798341642072

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills