Uczenie maszynowe z użyciem Scikit-Learn w.3 Kraków

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