Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2, 3-е издание
Себастьян Рашка, Вахид Мирджалили
848 стр.;
твердый переплет;
тип бумаги: офсетная белая;
формат 70x100/16 (170x240 мм);
Издательство Диалектика;
ISBN 978-5-907203-57-0, 9781789955750
скан pdf
Третье издание книги обновлено с целью учета версии библиотеки TensorFlow 2 и последних добавлений в scikit-learn. Оно расширено для охвата двух самых современных методик машинного обучения: обучения с подкреплением и порождающих состязательных сетей.
Эта книга — ваш попутчик в машинном обучении с применением Python, будь вы разработчиком приложений на языке Python, не знакомым с машинным обучением, или разработчиком, желающим углубить свои знания в современных областях.
Основные темы книги
Фреймворки, модели и методики, которые позволяют машинам "учиться" на основе данных
Использование scikit-learn для машинного обучения и TensorFlow для глубокого обучения
Применение машинного обучения для классификации изображений, смыслового анализа, создания интеллектуальных веб-приложений и многого другого
Построение и обучение нейронных сетей, порождающих состязательных сетей и других моделей
Реализация веб-приложений с искусственным интеллектом
Выполнение очистки и подготовки данных для машинного обучения
Классификация изображений с использованием глубоких сверточных нейронных сетей
Рекомендуемые приемы для оценки и настройки моделей
Прогнозирование непрерывных целевых результатов с использованием регрессионного анализа
Обнаружение скрытых шаблонов и структуры в данных с помощью кластеризации
Углубление в текстовые данные и данные социальных сетей с применением смыслового анализа
Прикладное машинное обучение с прочным теоретическим фундаментом.
Новое издание пересмотрено и расширено с целью охвата TensorFlow 2, порождающих состязательных сетей (GAN) и обучения с подкреплением.
Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения.
Книга наполнена четкими пояснениями, визуальными представлениями и работающими примерами, детально раскрывая все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения.
Обновленное с учетом библиотеки TensorFlow 2.0 третье издание предлагает читателям ознакомиться с ее новыми средствами API-интерфейса Keras, а также с последними добавлениями в scikit-learn. Оно расширено для охвата самых современных методик обучения с подкреплением, основанных на глубоком обучении, и введения в порождающие состязательные сети. Наконец, в книге также проводится исследование подобласти обработки естественного языка (NLP), называемой смысловым анализом, что поможет вам использовать алгоритмы машинного обучения для классификации документов.
Себастьян Рашка, Вахид Мирджалили
848 стр.;
твердый переплет;
тип бумаги: офсетная белая;
формат 70x100/16 (170x240 мм);
Издательство Диалектика;
ISBN 978-5-907203-57-0, 9781789955750
скан pdf
Третье издание книги обновлено с целью учета версии библиотеки TensorFlow 2 и последних добавлений в scikit-learn. Оно расширено для охвата двух самых современных методик машинного обучения: обучения с подкреплением и порождающих состязательных сетей.
Эта книга — ваш попутчик в машинном обучении с применением Python, будь вы разработчиком приложений на языке Python, не знакомым с машинным обучением, или разработчиком, желающим углубить свои знания в современных областях.
Основные темы книги
Фреймворки, модели и методики, которые позволяют машинам "учиться" на основе данных
Использование scikit-learn для машинного обучения и TensorFlow для глубокого обучения
Применение машинного обучения для классификации изображений, смыслового анализа, создания интеллектуальных веб-приложений и многого другого
Построение и обучение нейронных сетей, порождающих состязательных сетей и других моделей
Реализация веб-приложений с искусственным интеллектом
Выполнение очистки и подготовки данных для машинного обучения
Классификация изображений с использованием глубоких сверточных нейронных сетей
Рекомендуемые приемы для оценки и настройки моделей
Прогнозирование непрерывных целевых результатов с использованием регрессионного анализа
Обнаружение скрытых шаблонов и структуры в данных с помощью кластеризации
Углубление в текстовые данные и данные социальных сетей с применением смыслового анализа
Прикладное машинное обучение с прочным теоретическим фундаментом.
Новое издание пересмотрено и расширено с целью охвата TensorFlow 2, порождающих состязательных сетей (GAN) и обучения с подкреплением.
Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения.
Книга наполнена четкими пояснениями, визуальными представлениями и работающими примерами, детально раскрывая все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения.
Обновленное с учетом библиотеки TensorFlow 2.0 третье издание предлагает читателям ознакомиться с ее новыми средствами API-интерфейса Keras, а также с последними добавлениями в scikit-learn. Оно расширено для охвата самых современных методик обучения с подкреплением, основанных на глубоком обучении, и введения в порождающие состязательные сети. Наконец, в книге также проводится исследование подобласти обработки естественного языка (NLP), называемой смысловым анализом, что поможет вам использовать алгоритмы машинного обучения для классификации документов.
