 |
Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем
рекомендуем
Орельен Жерон
Год выпуска: 2020
Изд-во: Діалектика-Київ
ISBN: 978-617-7812-69-1
Переплёт: мягкий
688 страниц
Цена: 405.00 грн.
|
Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных.
В книге "Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем" показано, что и как следует делать.
За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня - Scikit-Learn и TensorFlow - автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования.
- Исследуйте область машинного обучения, особенно нейронные сети
- Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца
- Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы
- Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей
- Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением
- Освойте приемы для обучения и масштабирования глубоких нейронных сетей
- Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов
Об авторе:
Орельен Жерон - консультант по машинному обучению. Бывший работник компании Google, он руководил командой классификации видеороликов YouTube с 2013 по 2016 год. С 2002 по 2012 год он также был основателем и руководителем технического отдела в компании Wifirst, ведущего поставщика услуг беспроводного доступа к Интернету во Франции, а в 2001 году - основателем и руководителем технического отдела в фирме Polyconseil, которая сейчас управляет сервисом совместного пользования электромобилями Autolib'.
Отзыв эксперта:
"Эта книга - замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения."
- Пит Уорден, технический руководитель направления TensorFlow
Оглавление книги Орельен Жерон "Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем"
Часть I. Основы машинногообучения 25
Глава 1. Введение в машинное обучение 27
Глава 2. Полный проект машинного обучения 63
Глава 3. Классификация 121
Глава 4. Обучение моделей 153
Глава 5. Методы опорных векторов 199
Глава 6. Деревья принятия решений 223
Глава 7. Ансамблевое обучение и случайные леса 239
Глава 8. Понижение размерности 267
Часть II. Нейронные сети и глубокое обучение 291
Глава 9. Подготовка к работе с TensorFlow 293
Глава 10. Введение в искусственные нейронные сети 323
Глава 11. Обучение глубоких нейронных сетей 351
Глава 12. Использование TensorFlow для распределения
вычислений между устройствами и серверами 401
Глава 13. Сверточные нейронные сети 453
Глава 14. Рекуррентные нейронные сети 483
Глава 15. Автокодировщики 523
Глава 16. Обучение с подкреплением 553
Приложение А. Решения упражнений 593
Приложение Б. Контрольный перечень для проекта машинного обучения 633
Приложение В. Двойственная задача SVM 640
Приложение Г. Автоматическое дифференцирование 643
Приложение Д. Другие популярные архитектуры искусственных нейронных сетей 651
Предметный указатель 662
|