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

2-е издание
Себастьян Рашка, Вахид Мирджалили

Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 2nd Edition
Sebastian Raschka, Vahid Mirjalili
книга Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow, 2-е издание
(увеличить обложку)

Где купить книгу

Оглавление
Введение
Пролистать книгу

Машинное обучение поглощает мир программного обеспечения. Освойте и работайте с передовыми технологиями машинного обучения, нейронных сетей и глубокого обучения с помощью 2-го издания бестселлера Себастьяна Рашки.

Будучи основательно обновленной с учетом самых последних технологий с открытым кодом, включая такие библиотеки, как scikit-learn, Keras и TensorFlow, эта книга предлагает практические знания и приемы, которые необходимы для создания эффективных приложений машинного и глубокого обучения на языке Python. Обладающие уникальной проницательностью и знанием дела авторы книги, Себастьян Рашка и Вахид Мирджалили, ознакомят вас с алгоритмами машинного обучения и глубокого обучения и постепенно подведут к сложным темам в анализе данных. В книге предлагается сочетание теоретических принципов машинного обучения с практическим подходом к написанию кода для полного понимания теории машинного обучения и реализация с помощью Python.

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

Если вы читали 1-е издание книги, то вам доставит удовольствие найти новый баланс классических идей и современных знаний в машинном обучении.

Каждая глава была серьезно обновлена, и появились новые главы по ключевым технологиям. У вас будет возможность изучить и поработать с TensorFlow более вдумчиво, нежели ранее, а также получить важнейший охват библиотеки для нейронных сетей Keras наряду с самыми свежими обновлениями библиотеки scikit-learn.

Об авторах

Себастьян Рашка, автор ставшего бестселлером 1-го издания этой книги, обладает многолетним опытом написания кода на языке Python. Он проводил многочисленные семинары по практическому применению науки о данных, машинному обучению и глубокому обучению, включая руководство по машинному обучению на SciPy — ведущей конференции, посвященной научным расчетам с помощью Python.

Несмотря на то что исследовательские проекты Себастьяна сосредоточены главным образом на решении задач в области вычислительной биологии, ему нравится писать и говорить на темы науки о данных, машинного обучения и языка Python в общем, и он стремится помочь людям разрабатывать решения, управляемые данными, без обязательного знания подоплеки машинного обучения.

Недавно его работа и вклад были отмечены званием выдающегося аспиранта 2016–2017, а также наградой ACM Computing Reviews’ Best of 2016.

В свободное время Себастьян любит участвовать в проектах с открытым кодом, а методы, которые он реализовал, теперь успешно используются в состязаниях по машинному обучению, таких как Kaggle.

Вахид Мирджалили получил звание PhD в машиностроении, работая над новаторскими методами для крупномасштабных вычислительных эмуляций молекулярных структур. В настоящее время он сосредоточил свою научно-исследовательскую работу на приложениях машинного обучения в разнообразных проектах компьютерного зрения в отделении компьютерных наук и инженерии Университета штата Мичиган.

Вахид избрал Python в качестве главного языка программирования, и на протяжении своей научно-исследовательской карьеры накопил громадный опыт в написании кода Python. Он преподавал программирование на Python инженерной группе в Университете штата Мичиган, что дало ему возможность помочь студентам понять разные структуры данных и разрабатывать эффективный код на Python.

Наряду с тем, что обширные исследовательские интересы Вахида сконцентрированы на приложениях глубокого обучения и компьютерного зрения, он особенно интересуется использованием приемов глубокого обучения для усиления приватности в биометрических данных, таких как изображения лиц, чтобы не раскрывалась информация сверх той, что пользователи намеревались показывать. Кроме того, он также сотрудничает с командой инженеров, работающих над беспилотными автомобилями, где проектирует модели на основе нейронных сетей для слияния многоспектральных изображений с целью обнаружения пешеходов.

Книга обсуждается в отдельном сообщении в блоге Виктора Штонда.


656, c ил стр., с ил.; ISBN 978-5-907114-52-4, 978-1-78712-593-3; формат 70x100/16; твердый переплет; тип бумаги: офсетная; 25.12.2018; Вильямс.



Понравилась книга? Порекомендуйте её друзьям и коллегам:







Разделы каталога:



Оглавление книги "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow"



Предисловие     18
Глава 1. Наделение компьютеров способностью обучения на данных     27
Глава 2. Обучение простых алгоритмов МО для классификации     47
Глава 3. Обзор классификаторов на основе машинного обучения
с использованием scikit-learn     83
Глава 4. Построение хороших обучающих наборов с помощью
предварительной обработки данных     141
Глава 5. Сжатие данных с помощью понижения размерности     179
Глава 6. Изучение практического опыта оценки моделей
и настройки гиперпараметров     225
Глава 7. Объединение разных моделей для ансамблевого обучения     263
Глава 8. Применение машинного обучения для смыслового анализа     301
Глава 9. Встраивание модели машинного обучения в веб-приложение     331
Глава 10. Прогнозирование значений непрерывных целевых переменных с помощью регрессионного анализа     361
Глава 11. Работа с непомеченными данными – кластерный анализ     401
Глава 12. Реализация многослойной искусственной нейронной сети с нуля     437
Глава 13. Распараллеливание процесса обучения нейронных сетей
с помощью TensorFlow     479
Глава 14. Погружаемся глубже — механика TensorFlow     513
Глава 15. Классификация изображений с помощью глубоких сверточных нейронных сетей     553
Глава 16. Моделирование последовательных данных с использованием рекуррентных нейронных сетей     597
Предметный указатель     644


Copyright © 1992-2019 Издательская группа "Диалектика-Вильямс"

Rambler  Top100