Uczenie maszynowe z użyciem Scikit-Learn w.3 Żywiec

Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III Autor: Aurélien Géron Tytuł Oryginału: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 3rd Edition Tłumaczenie: Krzysztof Sawka ISBN: 978-83-8322-423-7 Format: 165x235 Oprawa: miękka Liczba stron: 776 Pojęcia, techniki i narzędzia służące do tworzenia systemów inteligentnych Głębokie sieci neuronowe mają niesamowity potencjał. Osiągnięcia ostatnich lat nadały procesom uczenia głębokiego zupełnie nową jakość. Obecnie nawet programiści niezaznajomieni z tą technologią mogą korzystać z prostych i niezwykle skutecznych narzędzi, pozwalających na sprawne implementowanie programów uczących się z danych. To trzecie wydanie bestsellerowego przewodnika po uczeniu maszynowym. Książka jest adresowana do osób, które chcą wejść w świat uczenia maszynowego ― przy czym wystarczą do tego minimalne umiejętności programistyczne. Zawarto tu minimum teorii, a proces nauki ułatwiają liczne przykłady i ćwiczenia. Dzięki temu przyswoisz niezbędne pojęcia i nauczysz się korzystać z gotowych platform produkcyjnych Pythona: Scikit-Learn, Keras i TensorFlow. W tym wydaniu pokazano różnorodne techniki, od prostej regresji liniowej aż po głębokie sieci neuronowe. Szybko nauczysz się tworzyć działające systemy inteligentne! W książce między innymi: korzystanie ze Scikit-Learn, z TensorFlow i Keras modele: maszyny wektorów nośnych, drzewa decyzyjne, lasy losowe i metody zespołowe uczenie nienadzorowane: redukcja wymiarowości, analiza skupień, wykrywanie anomalii sieci neuronowe: sieci splotowe, rekurencyjne, modele dyfuzyjne i transformatory trenowanie i implementacje sieci neuronowych Twórz i trenuj nowoczesne sieci neuronowe! Tytuły rozdziałów: Część I. Podstawy uczenia maszynowego 1. Krajobraz uczenia maszynowego 2. Nasz pierwszy projekt uczenia maszynowego 3. Klasyfikacja 4. Uczenie modeli 5. Maszyny wektorów nośnych 6. Drzewa decyzyjne 7. Uczenie zespołowe i losowe lasy 8. Redukcja wymiarowości 9. Techniki uczenia nienadzorowanego Część II. Sieci neuronowe i uczenie głębokie 10. Wprowadzenie do sztucznych sieci neuronowych i ich implementacji z użyciem interfejsu Keras 11. Uczenie głębokich sieci neuronowych 12. Modele niestandardowe i uczenie za pomocą modułu TensorFlow 13. Wczytywanie i wstępne przetwarzanie danych za pomocą modułu TensorFlow 14. Głębokie widzenie komputerowe za pomocą splotowych sieci neuronowych 15. Przetwarzanie sekwencji za pomocą sieci rekurencyjnych i splotowych 16. Przetwarzanie języka naturalnego za pomocą sieci rekurencyjnych i mechanizmów uwagi 17. Autokodery, generatywne sieci przeciwstawne i modele rozpraszające 18. Uczenie przez wzmacnianie 19. Wielkoskalowe uczenie i wdrażanie modeli TensorFlow A. Lista kontrolna projektu uczenia maszynowego B. Różniczkowanie automatyczne C. Specjalne struktury danych D. Grafy TensorFlow