Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow [С. Рашка, В. Мирджалили]

Python и машинное обучение:
машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow​

​

Автор: Рашка С., Вахид Мирджалили
Издательство: Вильямс
Вес: 0.800 кг.
Год издания: 2018
Формат: 70х100/16
Страниц: 656
Переплет: Твердый переплет
скан pdf

С помощью 2-го издания бестселлера Себастьяна Рашки - книгой «Python и машинное обучение», Вы освоите и сможете использовать передовые технологии машинного обучения, нейронных сетей и глубокого обучения

Будучи основательно обновленной с учетом самых последних технологий с открытым кодом, включая такие библиотеки, как scikit-learn, Keras и TensorFlow, книга «Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow» предлагает практические знания и приемы, которые необходимы для создания эффективных приложений машинного и глубокого обучения на языке Python

В результате комплексного расширения и совершенствования книга теперь охватывает популярную библиотеку глубокого обучения TensorFlow. Код для scikit-learn также был полностью обновлен, чтобы включать последние улучшения и дополнения к этой универсальной библиотеке машинного обучения

Обладающие уникальной проницательностью и знанием дела авторы - Себастьяна Рашки и Вахид Мирджалили, ознакомят Вас с алгоритмами машинного обучения и глубокого обучения с нуля и покажут, как применять их к сложным задачам в отрасли, используя реалистичные и очень интересные примеры. К концу чтения книги «Python и машинное обучение» Вы будете готовы встретиться с новыми перспективами анализа данных в сегодняшнем мире

Основные темы книги

• Освойте основные фреймворки в науке о данных, машинном обучении и глубоком обучении
• Задайте новые вопросы своим данным через модели машинного обучения и нейронные сети
• Используйте всю мощь самых последних библиотек Python с открытым кодом для машинного обучения
• Научитесь строить реализации глубоких нейронных сетей с применением библиотеки TensorFlow
• Встраивайте модели машинного обучения в доступные веб-приложения
• Прогнозируйте непрерывные целевые результаты с применением регрессионного анализа
• Раскройте скрытые шаблоны и структуры в данных с помощью кластеризации
• Анализируйте изображения с использованием приемов глубокого обучения
• Углубитесь в текстовые данные и данные из социальных сетей с применением смыслового анализа

Содержание:
Глава 1. Наделение компьютеров способностью обучения на данных
Глава 2. Обучение простых алгоритмов МО для классификации
Глава 3. Обзор классификаторов на основе машинного обучения с использованием scikit-learn
Глава 4. Построение хороших обучающих наборов с помощью предварительной обработки данных
Глава 5. Сжатие данных с помощью понижения размерности
Глава 6. Изучение практического опыта оценки моделей и настройки гиперпараметров
Глава 7. Объединение разных моделей для ансамблевого обучения
Глава 8. Применение машинного обучения для смыслового анализа
Глава 9. Встраивание модели машинного обучения в веб-приложение
Глава 10. Прогнозирование значений непрерывных целевых переменных с помощью регрессионного анализа
Глава 11. Работа с непомеченными данными – кластерный анализ
Глава 12. Реализация многослойной искусственной нейронной сети с нуля
Глава 13. Распараллеливание процесса обучения нейронных сетей с помощью TensorFlow
Глава 14. Погружаемся глубже — механика TensorFlow
Глава 15. Классификация изображений с помощью глубоких сверточных нейронных сетей
Глава 16. Моделирование послед

Скрытая ссылка