 (увеличить обложку)
Тираж данной книги закончился.
|
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
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 авторахСебастьян 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. Понравилась книга? Порекомендуйте её друзьям и коллегам: Твитнуть |
Разделы каталога:
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 © 1992-2020 Издательская группа "Диалектика-Вильямс"
|
